theseDL 07janv07

Optimisation des procédés de mise en forme par
approche couplée plans d’expériences, éléments finis et

surface de réponse
Daniel Lepadatu
To cite this version:

Daniel Lepadatu. Optimisation des procédés de mise en forme par approche couplée plans
d’expériences, éléments finis et surface de réponse. Sciences de l’ingénieur [physics]. Université
d’Angers, 2006. Français. <tel-00338415>
HAL Id: tel-00338415

https://tel.archives-ouvertes.fr/tel-00338415
Submitted on 13 Nov 2008
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
UNIVERSITE D’ANGERS Année 2006
N˚327
OPTIMISATION DES PROCEDES DE MISE EN FORME PAR

APPROCHE COUPLEE PLANS D’EXPERIENCES, ELEMENTS
FINIS ET SURFACE DE REPONSE
THESE DE DOCTORAT
Spécialité : Sciences de l’Ingénieur
ECOLE DOCTORALE D’ANGERS
Présentée et soutenue publiquement

Le 21 Décembre 2006
A l’Institut des Sciences et Techniques de l’Ingénieur d’Angers
Par Daniel LEPADATU
Devant le jury ci-dessous :
Philippe PICART Rapporteur Professeur à l’Université

de Franche-Comté
Abdellatif IMAD Rapporteur Professeur à l’Université des Sciences
et Technologies de Lille1
Daniel BADIE LEVET Examinateur Maı̂tre de Conférences
à l’ENSAM d’Angers
Ali MKADDEM Examinateur Maı̂tre de Conférences
à l’ENSAM Chalons
Fabrice GUERIN Examinateur Professeur à l’Université d’Angers
Ridha HAMBLI Examinateur Professeur au Polytech’Orléans
Abdessamad KOBI Examinateur Professeur à l’Université d’Angers
Directeur de thèse : Abdessamad KOBI

Co-encadrant : Ridha HAMBLI
Laboratoire : Laboratoire en Sûreté de Fonctionnement, Qualité et Organisation

UPRES EA 3858
62, avenue Notre Dame du Lac, 49000 ANGERS
ED 363
ii
Avant-propos
Les travaux de recherche présentés dans ce mémoire ont été réalisés à l’Institut
des Sciences et Techniques de l’Ingénieur d’Angers (ISTIA), dans le LAboratoire en
Sûreté de fonctionnement, Qualité et Organisation (LASQUO), au sein de l’équipe
Maı̂trise Statistique de Processus.
Le financement de cette thèse a été possible grâce aux efforts faites par deux
institutions :
– ISTIA - LASQUO
– Communauté d’Agglomération du Grand Angers.
iii
iv
A ma femme
DANIELA
A mon petit garçon

VLAD DAVID
vi
Remerciements
Mes sincères remerciements vont aux personnes qui ont contribué au bon déroule-
ment et à l’aboutissement de cette thèse.
En premier lieu, je tiens à exprimer ma profonde reconnaissance à Monsieur A. Kobi,
Professeur à l’Université d’Angers et Directeur du laboratoire LASQUO, qui m’a donné
la chance de réaliser ces travaux. Je tiens à lui remercie pour avoir accepté de diriger
cette thèse avec une formidable compétence. Grâce à ses conseils et à son intérêt, il m’a
été possible de mener cette thèse à son terme. Je tiens aussi à dire merci à Monsieur
R. Hambli, Professeur au Polytech’Orléans, qui a également encadré ce travail malgré les
nombreuses activités dont il a la charge.
Remerciements et profonde gratitude vont également aux membres de la commission
d’examen. J’exprime ainsi toute ma reconnaissance à Monsieur P. Picart, Professeur à
l’Université de Franche-Comté, pour avoir accepté d’examiner mon travail. J’adresse aussi
mes sincères remerciements à Monsieur A. Imad, Professeur à l’Université des Sciences et
Technologies de Lille1, qui a également accepté d’être rapporteur de ce mémoire. Je les
remercie de l’intérêt réel qu’ils ont manifesté sur la teneur de ce rapport. Je remercie à
Monsieur D. Badie Levet, Maı̂tre de Conférences à l’ENSAM d’Angers ainsi qu’à Monsieur
A. Mkaddem, Maı̂tre de Conférences à l’ENSAM Chalons, qui m’ont fait l’honneur de
participer à ce jury. Je remercie également à Monsieur F. Guerin, Professeur à l’Université
d’Angers, qui a accepté de participer à ce jury, pour ses remarques constructives ainsi que
pour les encouragements et la confiance qu’il m’a redonner durant les derniers mois de la
rédaction du ce mémoire.
C’est avec chaleur et sincérité que je salue les membres du laboratoire, et plus parti-
culièrement M. Barreau, B. Dumon, T. Tiplica, C. Robledo, R. Chassagnon, C. Crespin,
avec lesquels j’ai passé ces années. J’exprime aussi mes remerciement pour mes collègues
de bureau, notamment F. Babus, S. Verron et P. Lantieri avec lesquels j’ai pu collaborer
durant ce travail. Je n’oublierai pas l’atmosphère de sérieux et de détente mêlés qu’ils ont
su entretenir, créant ainsi les conditions nécessaires à une bonne activité de recherche.
Je voudrais plus particulièrement exprimer ma reconnaissance envers Monsieur X. Bague-
nard ainsi qu’à son directeur de thèse Professeur L. Jaulin, avec qui une collaboration
scientifique fructueuse s’est très vite établie.
Il me serait impossible, enfin, de ne pas dire un grand MERCI à ma femme DANIELA
et a mon petit garçon VLAD-DAVID, ainsi qu’à nos familles pour le soutien et leurs
encouragements qu’ils n’ont pas cessé, tout au long de cette période qui a été parfois très
difficile. Je suis sûr que sans leur présence, je ne serais pas arriver à finir cette thèse.
viii
Table des matières
Introduction générale 1
1 Méthodes d’optimisation des procédés de mise en forme 9

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Procédés de mise en forme . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3 Prévision des défaillances lors du formage . . . . . . . . . . . . . . . . 15
1.3.1 Défaillances lors de l’emboutissage . . . . . . . . . . . . . . . 16
1.3.2 Défaillances lors du pliage . . . . . . . . . . . . . . . . . . . . 24
1.3.3 Défaillances lors de l’extrusion . . . . . . . . . . . . . . . . . . 30
1.3.4 L’usure des outils . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.3.5 Fatigue des outils . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.4 Méthodes d’optimisation existantes pour la mise en forme . . . . . . . 39
1.5 Modélisation mathématique d’un problème d’optimisation . . . . . . 45
1.6 Méthodes déterministes . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1.7 Méthodes non-déterministes . . . . . . . . . . . . . . . . . . . . . . . 48
1.8 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2 Stratégies d’optimisation par plans d’expériences numériques. 55

2.1 La méthodologie des plans d’expériences . . . . . . . . . . . . . . . . 57
2.1.1 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.1.2 Expérimentations . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.1.3 Modélisation de la réponse . . . . . . . . . . . . . . . . . . . . 59
2.1.4 Intérêt du codage des variables . . . . . . . . . . . . . . . . . 60
2.1.5 Principales composantes de la méthodologie des plans d’expé-
riences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.1.6 Technique du screening . . . . . . . . . . . . . . . . . . . . . . 62
2.1.7 La Méthodologie des Surfaces de Réponse . . . . . . . . . . . 64
2.2 Technique pour la vérification de l’effet quadratique pour les plans
d’expériences numériques. . . . . . . . . . . . . . . . . . . . . . . . . 71
ix
2.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.2.2 Approche proposée . . . . . . . . . . . . . . . . . . . . . . . . 72
2.3 L’optimisation multicritères . . . . . . . . . . . . . . . . . . . . . . . 74
2.3.1 Méthode de Ch’ng . . . . . . . . . . . . . . . . . . . . . . . . 75
2.4 Approche hybride pour l’optimisation des procédés . . . . . . . . . . 78
2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.4.2 Tolérancement mécanique . . . . . . . . . . . . . . . . . . . . 79
2.4.3 Analyse par intervalles . . . . . . . . . . . . . . . . . . . . . . 81
2.4.4 Nouvelle méthode d’optimisation pour obtenir une Surface de
Réponse par Intervalle (SRI) . . . . . . . . . . . . . . . . . . 87
2.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3 Modélisation numérique des défaillances des procédés de mise en

forme 89
3.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.1.1 Endommagement et rupture . . . . . . . . . . . . . . . . . . . 92
3.2 Modélisation par éléments finis des défaillances de procédés de mise
en forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.2.1 Modélisation de l’endommagement des métaux . . . . . . . . . 100
3.2.2 Prédiction de l’usure des outils par éléments finis . . . . . . . 106
3.2.3 Prédiction de la fatigue par éléments finis . . . . . . . . . . . 112
3.3 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4 Presentation du logiciel OPTIFORM 117

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.2 Principe de fonctionnement d’OPTIFORM . . . . . . . . . . . . . . 120
4.3 Interface graphique - aspect visuel . . . . . . . . . . . . . . . . . . . . 121
4.4 Processus d’optimisation avec OPTIFORM . . . . . . . . . . . . . . 126
4.4.1 Identification des paramètres du processus . . . . . . . . . . . 128
4.4.2 Établissement de la fonction objectif à optimiser . . . . . . . . 129
4.4.3 Réalisation des essais par plans d’expériences numériques . . . 130
4.4.4 Optimisation de la fonction objectif . . . . . . . . . . . . . . . 131
4.4.5 Validation numérique en conditions optimales . . . . . . . . . 132
4.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5 Applications 135
5.1 Optimisation du procédé de pliage . . . . . . . . . . . . . . . . . . . . 137
5.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.1.2 Le choix des variables du processus . . . . . . . . . . . . . . . 137
5.1.3 Modélisation par éléments finis du procédé de pliage . . . . . 138
5.1.4 Analyse de screening . . . . . . . . . . . . . . . . . . . . . . . 140
5.1.5 Analyse par Surface de Réponse . . . . . . . . . . . . . . . . . 142
5.1.6 Optimisation du procédé . . . . . . . . . . . . . . . . . . . . . 147
5.1.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.2 Optimisation du procédé d’extrusion . . . . . . . . . . . . . . . . . . 148
5.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.2.2 Étude du processus d’usure pendant l’extrusion . . . . . . . . 148
5.2.3 Analyse statistique . . . . . . . . . . . . . . . . . . . . . . . . 154
5.2.4 Optimisation multicritères pour le procédé d’extrusion . . . . 156
5.2.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
5.3 Optimisation du procédé d’emboutissage . . . . . . . . . . . . . . . . 163
5.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.3.2 Simulation numérique de l’emboutissage 3D . . . . . . . . . . 163
5.3.3 Optimisation de l’emboutissage à l’aide de la Surface de Ré-
ponse par Intervalles . . . . . . . . . . . . . . . . . . . . . . . 165
5.3.4 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
5.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Conclusions et perspectives 169
Publications nationales et internationales 173

Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
xii
Table des figures
1 Facteurs influençant la variation des caractéristiques des pièces. . . . 1

2 Les deux axes sensibles des procédés de mise en forme. . . . . . . . . 2
3 Les disciplines de l’optimisation des procédés. . . . . . . . . . . . . . 3
4 Boucle d’optimisation basée sur le couplage des Plans d’Expériences
- Éléments Finis - Surfaces de réponse. . . . . . . . . . . . . . . 5
1.1 Évolution des outils d’amélioration de la qualité des produits. . . . . 12

1.2 Principaux facteurs influant en fabrication [Ben01]. . . . . . . . . . . 12
1.3 Schématisation d’une opération de formage. . . . . . . . . . . . . . . 13
1.4 Principaux procédés de mise en forme [Fel00]. . . . . . . . . . . . . . 14
1.5 Diagramme d’Ishikawa pour les défaillances mécaniques. . . . . . . . 16
1.6 Les principaux défauts pour les procédés de mise en forme. . . . . . . 16
1.7 Procédé d’emboutissage : Photo [Emb02] . . . . . . . . . . . . . . . . 17
1.8 Principaux modes de déformation par emboutissage. . . . . . . . . . . 18
1.9 Défauts structuraux d’emboutissage : rupture [Lih04]. . . . . . . . . . 18
1.10 Défaut d’emboutissage : Formation des plis [Yos04]. . . . . . . . . . . 19
1.11 Retour élastique après l’emboutissage. . . . . . . . . . . . . . . . . . 19
1.12 La modification de la géométrie avec le contrôle de la surface. . . . . 20
1.13 Différents types de plis durant l’emboutissage. . . . . . . . . . . . . . 21
1.14 Formation des plis durant l’emboutissage - simulation par élements
finis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.15 Initiation des fissures pendant l’emboutissage. . . . . . . . . . . . . . 22
1.16 Simulation numérique des plis et de la rupture en hydroformage. . . . 23
1.17 Pièces obtenues par emboutissage : a) petites pièces b) pièces de gros
volume. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.18 Procédé de pliage - Photo : [Ben01]. . . . . . . . . . . . . . . . . . . . 24
1.19 a) Pliage en V b) Pliage en l’air - Photo : [Ben01] . . . . . . . . . . . 24
1.20 a) Pliage en frappe b) Pliage en L - Photo : [Ben01] . . . . . . . . . . 25
1.21 Paramètres géométriques du pliage - Photo : [Bou30]. . . . . . . . . . 25
xiii
1.22 Apparition des fissures pendant le pliage - Photos : [Ben01, Mka03]. . 26
1.23 Retour élastique après le pliage - Photo : [Ben01]. . . . . . . . . . . . 26
1.24 Solutions pour diminuer le retour élastique - Photo : [Zaf04] . . . . . 27
1.25 Pliage en V - solutions pour diminuer le retour élastique - Photo :
[Ben01] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.26 Retour élastique obtenue expérimentalement. . . . . . . . . . . . . . . 29
1.27 Pièces obtenues par pliage. . . . . . . . . . . . . . . . . . . . . . . . . 29
1.28 Opération d’extrusion. . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.29 a) Ecrasage simple b) Filage inverse central. . . . . . . . . . . . . . . 31
1.30 a) Filage direct central b) Filage latéral. . . . . . . . . . . . . . . . . 31
1.31 La rupture du lopin. . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.32 Influence de la lubrification sur l’écoulement du métal a) sans lubri-
fication b) avec lubrification - Photo :[Col72] . . . . . . . . . . . . . . 32
1.33 Fissuration externe durant l’extrusion. . . . . . . . . . . . . . . . . . 33
1.34 Défaut en chevron. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.35 Le mécanisme de formage des défauts en chevron - Photo : [Ext01] . . 34
1.36 Pièces obtenues par extrusion. . . . . . . . . . . . . . . . . . . . . . . 35
1.37 Usure des outils. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.38 Chargement cyclique - fatigue - Photo : [Pay04] . . . . . . . . . . . . 37
1.39 Les périodes de dégradation par fatigue [Lep05d]. . . . . . . . . . . . 38
1.40 La dégradation d’une pièce par fatigue - Photo : [Mad69] . . . . . . . 38
1.41 Optimisation des défauts d’emboutissge. . . . . . . . . . . . . . . . . 40
1.42 Différents profils de la matrice d’extrusion. . . . . . . . . . . . . . . . 41
1.43 Optimisation de la forme d’une matrice d’extrusion. . . . . . . . . . . 42
1.44 Différents types de courbes pour la forme de la partie active de la
matrice d’extrusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.45 Principales méthodes déterministes. . . . . . . . . . . . . . . . . . . . 46
1.46 Méthode du Simplex. . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.47 Principales méthodes non déterministes. . . . . . . . . . . . . . . . . 48
1.48 Organigramme d’un Algorithme Génetique [Man02] . . . . . . . . . . 49
1.49 Structure d’un réseau de neurones artificiel. . . . . . . . . . . . . . . 50
2.1 La boı̂te noire du processus . . . . . . . . . . . . . . . . . . . . . . 57

2.2 Plan de régression pour deux variables. . . . . . . . . . . . . . . . . . 60
2.3 Surface de Réponse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.4 Plan composite centré pour 3 facteurs. . . . . . . . . . . . . . . . . . 69
2.5 Addition des points au centre du domaine . . . . . . . . . . . . . . . 73
2.6 Pièce dessinée et cotée. . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2.7 Pièce réelle fabriquée. . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.8 Conditions fonctionnelles d’un produit - Photo : [Pairel E] . . . . . . 80
2.9 Le coût de fabrication en fonction des tolérances mécaniques. . . . . . 81
2.10 Exemple d’estimation pour une solution non robuste . . . . . . . . . 85
2.11 L’estimation des paramètres pour une fonction exponentielle . . . . . 85
2.12 L’algorithme proposé par le calcul par intervalles . . . . . . . . . . . 86
2.13 Critère de sélection pour la boite ai . . . . . . . . . . . . . . . . . . . . 86
3.1 Dégradation subie par les outils . . . . . . . . . . . . . . . . . . . . . 92

3.2 Modes de propagation de fissures - Photo : [Fis01] . . . . . . . . . . . 93
3.3 Éléments de volume endommagé et vierge. . . . . . . . . . . . . . . . 98
3.4 Mécanismes d’endommagement et de la rupture. . . . . . . . . . . . . 100
3.5 Projection de la contrainte sur la surface de la fonction de charge. . . 101
3.6 Schéma de principe de l’approche couplée. . . . . . . . . . . . . . . . 104
3.7 Mécanisme de l’usure abrasive. . . . . . . . . . . . . . . . . . . . . . 107
3.8 Les défauts causés par l’usure. . . . . . . . . . . . . . . . . . . . . . . 107
3.9 Profil d’un outil usé. . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.10 Pression normale de contact et forces de contact sur les noeuds. . . . 109
3.11 Évolution de l’usure des outils. . . . . . . . . . . . . . . . . . . . . . . 110
3.12 Modélisation du contact . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.1 Les trois fonctions de OPTIFORM . . . . . . . . . . . . . . . . . . . 120

4.2 Outil d’optimisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.3 Fenêtre principale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.4 Boı̂te de dialogue pour les plans de screening. . . . . . . . . . . . . . 122
4.5 Plan composite centré à 2 facteurs- génération automatique. . . . . . 122
4.6 Base de données - plans d’expériences spéciaux. . . . . . . . . . . . . 123
4.7 Boı̂te de dialogue - plans d’expériences pour surfaces de réponse . . . 123
4.8 Le schéma d’optimisation du processus de pliage. . . . . . . . . . . . 124
4.9 Menu Procédé. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
4.10 Informations sur le procédé . . . . . . . . . . . . . . . . . . . . . . . 125
4.11 Régression pas à pas et tableau ANOVA . . . . . . . . . . . . . . . . 126
4.12 Organigramme du processus d’optimisation avec OPTIFORM . . . . 127
4.13 Identification des paramètres du processus . . . . . . . . . . . . . . . 128
4.14 Diagramme d’Ishikawa . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.15 Établissement de la fonction objectif à optimiser . . . . . . . . . . . . 129
4.16 Réalisation des essais par plans d’expériences numériques . . . . . . . 130
4.17 Optimisation de la fonction objectif . . . . . . . . . . . . . . . . . . . 131
4.18 Validation numérique en conditions optimales . . . . . . . . . . . . . 132
5.1 Diagramme d’ISHIKAWA pour le pliage. . . . . . . . . . . . . . . . . 137

5.2 Les étapes de la simulations numérique du pliage. . . . . . . . . . . . 139
5.3 Les paramètres et la géométrie du modèle de la simulation numérique
du pliage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.4 Diagramme de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.5 Diagramme de Pareto pour le retour élastique . . . . . . . . . . . . . 142
5.6 Diagramme de Pareto - cas I . . . . . . . . . . . . . . . . . . . . . . 144
5.7 Surface de réponse interaction AB. . . . . . . . . . . . . . . . . . . . 144
5.8 Diagramme de Pareto - cas II . . . . . . . . . . . . . . . . . . . . . . 146
5.9 Le diagramme d’Ishikawa. . . . . . . . . . . . . . . . . . . . . . . . . 149
5.10 Modèle axisymétrique pour le processus d’extrusion. . . . . . . . . . . 149
5.11 Déformation du lopin après l’extrusion. . . . . . . . . . . . . . . . . . 150
5.12 La partie active de la matrice et l’épaisseur d’usure. . . . . . . . . . . 152
5.13 Surfaces de réponse pour l’usure. . . . . . . . . . . . . . . . . . . . . 153
5.14 Diagramme de Pareto. . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5.15 La pression du contact et la distance de glissement pour le procédé
d’extrusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
5.16 La distance de glissement, respectivement la pression normale fonc-
tion des points interrogés. . . . . . . . . . . . . . . . . . . . . . . . . 155
5.17 Le profil d’usure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
5.18 Le cycle de vie d’une matrice. . . . . . . . . . . . . . . . . . . . . . . 157
5.19 Le procédé d’extrusion . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.20 Simulation numérique du procédé d’emboutissage . . . . . . . . . . . 164
5.21 Modèle éléments finis pour l’emboutissage. . . . . . . . . . . . . . . . 164
Liste des tableaux
2.1 Calcul des niveaux des facteurs . . . . . . . . . . . . . . . . . . . . . 69

2.2 Valeurs de δ fonction du nombre de points au centre du domaine. . . 71
4.1 Liste des menus et sous-menus de l’application. . . . . . . . . . . . . 121
5.1 Caractéristiques des facteurs . . . . . . . . . . . . . . . . . . . . . . . 138

5.2 Caractéristiques de la réponse du problème . . . . . . . . . . . . . . . 138
5.3 Caractéristiques des matériaux. . . . . . . . . . . . . . . . . . . . . . 139
5.4 La matrice d’expériences et les résultats. . . . . . . . . . . . . . . . . 140
5.5 L’importance des facteurs . . . . . . . . . . . . . . . . . . . . . . . . 141
5.6 Analyse de screening . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5.7 Plan Composite Centré - 1 point au centre. . . . . . . . . . . . . . . . 143
5.8 Analyse de la variance. . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.9 Plan Composite Centré plusieurs points au centre. . . . . . . . . . . . 145
5.10 Analyse de la variance. . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.11 Caractéristiques du matériau . . . . . . . . . . . . . . . . . . . . . . . 149
5.12 Les niveaux des facteurs étudiés. . . . . . . . . . . . . . . . . . . . . . 150
5.13 La matrice d’expérience pour le plan composite centré. . . . . . . . . 151
5.14 Les effets des facteurs pour le point A. . . . . . . . . . . . . . . . . . 152
5.15 Les effets des facteurs pour le point B. . . . . . . . . . . . . . . . . . 153
5.16 Le codage des paramètres. . . . . . . . . . . . . . . . . . . . . . . . . 160
5.17 La matrice d’expériences pour le plan composite centré . . . . . . . . 160
5.18 Les coefficients de régression pour les modèles générés . . . . . . . . . 160
5.19 LSL, U SL, T et leurs désirabilités associées. . . . . . . . . . . . . . . 161
5.20 Les solutions optimales trouvées à l’aide de la technique de Ch’ng. . . 161
5.21 Le codage des paramètres. . . . . . . . . . . . . . . . . . . . . . . . . 165
5.22 La matrice d’expériences pour le plan composite centré . . . . . . . . 165
5.23 Équations pour ORSM et IRSM . . . . . . . . . . . . . . . . . . . . . 166
xvii
xviii
Introduction générale
Depuis quelques années, le secteur de la mise en forme de pièces métalliques a

subi un développement important du principalement aux besoins de plus en plus
exigeants des constructeurs automobiles. En effet, les entreprises de mise en forme
sont confrontées à des problèmes quotidiens de plus en plus complexes concernant
la qualité de leurs produits.
L’objectif premier d’une opération de mise en forme est de conférer à une pièce
métallique des dimensions situées dans une fourchette de tolérances données, ainsi
que des caractéristiques de qualité demandées par le client.
Au cours de ces dernières années, les exigences de qualité et sûreté de fonction-
nement, exprimées par les clients, ont contraint les entreprises à concevoir et réaliser
de nouveaux produits exempts de défaillances dans leurs utilisations nominales. De
ce fait, les contraintes au niveau de la fabrication sont de plus en plus sévères. Dans
le cas des procédés de mise en forme (pliage, emboutissage, extrusion ou découpage),
la maı̂trise, l’optimisation et la réduction de la variation des caractéristiques (Figure
1) des pièces fabriquées sont des composantes essentielles de la qualité des produits.
PROCEDE MATERIAUX
Extrusion Métallique ou non
Emboutissage
Pliage REDUCTION Composites
Non-homogenes
Forgeage Défauts internes
Hydroformage
Découpage
PIECE
DEFORMATIONS MODELISATION
MECANIQUES Techniques
Plasticité Analytiques
Méthode des
Formabilité
Frottement
VARIATIONS Éléments Finis
Défaillances Optimisation
Méthodes numériques
Fig. 1 – Facteurs influençant la variation des caractéristiques des pièces.
1
INTRODUCTION GENERALE
Pour mieux répondre à ces besoins nous avons retenu deux axes de recherche
(Figure 2). Le premier concerne la modélisation des défaillances des outils telles que
l’usure et la fatigue, influencées par des conditions de formage. Le second est orienté
vers l’optimisation des conditions de formage des pièces. La prévision des modes de
OPTIMISATION DES PROCEDES

2 AXES
OUTIL PIECE
DEFAILLANCES PERFORMANCES
FATIGUE USURE
Retour élastique Réduction des contraintes
Rupture résiduelles
Fissuration Amélioration de la
DUREE DE VIE Défauts résistance des pièces
Rayures (écrouissage)
Fig. 2 – Les deux axes sensibles des procédés de mise en forme.
défaillances engendrées par la mise en forme des métaux est un enjeu industriel de
premier ordre. Dans le cas des outils, les actions mécaniques et thermiques peuvent
être très importantes et conduire à une plastification partielle, induire des fissurations
par fatigue et usure (Figure 2). Dans le cas des pièces, le formage implique des défauts
comme les rayures, les fissures, le retour élastique, etc. (Figure 2).
Actuellement, les méthodes d’optimisation des procédés de mise en forme sont
basées sur des approches essentiellement empiriques qui ne permettent pas d’es-
timer rigoureusement la sensibilité des performances du produit par rapport aux
paramètres influents du procédé. Ces méthodes consistent, généralement, à effectuer
des calculs aléatoires permettant d’identifier l’optimum.
Malgré les progrès réalisés dans ce domaine il existe encore de nombreuses pistes
d’amélioration telles que :
– Prise en compte des modes de défaillances observés (pièces, outillages)
– Développement de méthodes d’optimisation rapides et paramétrées
– Développement d’un support informatique pour une utilisation industrielle
conviviale
L’optimisation des procédés de mise en forme consiste à déterminer les conditions
2
opératoires de formage optimales afin de :

– Minimiser ou réduire un mode de défaillance redouté (usure, fatigue, etc.)
– Minimiser les coûts de la production
– Maximiser une performance recherchée (durée de vie de l’outil, cadence, résis-
tance des pièces, etc.)
L’optimisation des procédés reste une préoccupation majeure des chercheurs
[Bor90, Duc80, Flo94]. La prise en considération de l’ensemble des contraintes liées à
la modélisation numérique constitue une difficulté rencontrée pendant l’élaboration
d’un modèle pour un procédé de fabrication et la qualité de celui-ci, a comme consé-
quence directe la qualité du produit final. Le processus d’optimisation, nécéssite des
connaissances qui vont souvent au-delà de leurs spécialisations. Par conséquent on
peut dire que l’optimisation des procédés est à l’interface de trois disciplines :
1. Les MATHEMATIQUES qui fournissent les algorithmes et les stratégies
d’optimisation
2. La MECANIQUE qui offre les modèles, les hypothèses et les outils de simu-
lations numériques
3. L’INFORMATIQUE qui permet la mise en oeuvre des deux disciplines pré-
cédentes afin d’automatiser le calcul (Figure 3).
M ATHEM ATIQUES
M éthodes d’optim isation
OPTIM ISATION
DES PROCEDES
M ECANIQUE INFORM ATIQUE

M odélisation num érique Autom atiser le calcul
Fig. 3 – Les disciplines de l’optimisation des procédés.
Pour pallier les insuffisances des méthodes actuelles, l’objectif de cette thèse est
de développer une stratégie d’optimisation des procédés de mise en formes rapide,
3
paramétrée et multicritères. L’approche intègre des phénomènes souvent négligés tels

que les défaillances des outils et la prédiction de la rupture ductile des pièces. La
méthode des éléments finis a été mise en oeuvre pour la simulation des procédés.
Les objectifs poursuivis dépendent du procédé concerné. Principalement, il s’agit

des aspects suivants :
– La maı̂trise du retour élastique en fin de formage.

– Améliorer la durée de vie des pièces en service.
– Réduire le risque de rupture des pièces en cours de fabrication.
– Réduire l’usure des outils : minimiser les pressions internes sur les outils.
– Augmenter la durée de vie des outils vis à vis de la fatigue.
– Optimiser les pressions et les efforts sur les serre-flans.
Cette liste n’est pas exhaustive, il existe d’autres critères spécifiques à chaque
procédé. Généralement, les paramètres d’optimisation portent sur le matériau, la
géométrie des outillages ainsi que les paramètres du procédé et la géométrie des
pièces. Tous ces paramètres peuvent être contraints par des limitations de natures
technologiques ou économiques à prendre en compte dans la résolution du problème
d’optimisation. Les stratégies d’optimisation envisagées sont de plusieurs natures
en fonction des problèmes d’optimisation et d’identification à résoudre. Parmi les
différentes stratégies d’optimisation, on a retenu des méthodes de type Plan d’Ex-
périences et Surface de Réponse pour le calage et le contrôle des paramètres de
procédés et conditions opératoires. Dans ce cas, les simulations sont réalisées pour
un échantillonnage du domaine de conception aussi précis que possible, lié au temps
de calcul disponible ; l’analyse fournit alors en chaque point du Plan d’Expériences
les valeurs des critères de qualité. Un des avantages est de pouvoir calculer en ces
points, sans coût supplémentaire, plusieurs réponses (critères/limitations). Une in-
terpolation fournit ensuite en tout point du domaine échantillonné, des expressions
explicites de ces critères de qualité, après vérification de la précision.
Dans un cadre industriel, un logiciel convivial et interactif baptisé OPTIFORM

(Figure 4) a été développé permettant d’intégrer en une seule plate-forme informa-
tique les différentes disciplines nécessaires pour la gestion et la conduite d’un calcul
d’optimisation.
4
PROCEDE DE FABRICATION:
Choix optimal des niveaux
pour les FACTEURS
Plans d’Expériences
O
P SCRIPT en Python
Simulations numériques
par Elements Finis
T ABAQUS, ADINA …
I
F Construire la
Surface de Réponse
O FONCTION OBJECTIF
R OPTIMISATION
M Simulation en
NON conditions optimales
Validation des données
OUI
STOP
Fig. 4 – Boucle d’optimisation basée sur le couplage des Plans d’Expériences -

Éléments Finis - Surfaces de réponse.
Dans l’esprit de l’objectif général rappelé plus haut, le document présente notre
travail sur le développement d’un algorithme itératif d’optimisation des procédés
basé sur le couplage de : méthodologie des plans d’expériences, méthode des
éléments finis et méthode de surfaces de réponse. Il s’articule en 5 chapitres :
Chapitre 1
Le premier chapitre de la thèse aborde l’aspect Mathématique en exposant
les méthodes d’optimisation des procédés de mise en forme. Il s’agit d’une étude
bibliographique sur les procédés de mise en forme avec les principaux modes de
défaillances rencontrés lors du formage. Les méthodes d’optimisation les plus utili-
sées, pour améliorer la qualité des pièces fabriquées et pour éviter l’apparition des
défaillances, seront présentées dans cette partie. Cette partie a comme principal
but de faire un état des lieux sur l’existant et de situer la place de la méthodolo-
gie des plans d’expériences avec ses avantages et ses inconvénients parmi les autres
5
méthodes.
Chapitre 2
L’aspect Mathématique reste encore notre préoccupation durant ce chapitre.
Nous présentons ici la Méthodologie des Plans d’Expériences qui est un outil
d’analyse privilégié pour les ingénieurs du fait qu’on réalise d’abord un minimum
d’expériences afin d’obtenir les facteurs influents d’un procédé par la technique de
screening et par la suite une modélisation par surface de réponse nous permet d’at-
teindre l’optimum avec le moindre coût. Différentes stratégies d’optimisation par
plans d’expériences développées par notre équipe, seront présentées dans cette par-
tie. Afin de couvrir un manque existant dans les techniques d’optimisation par plans
d’expériences numériques nous avons proposé une technique nouvelle nécessaire à la
vérification du caractère non linéaire d’une modélisation. Dans un contexte d’optimi-
sation globale, l’optimisation multicritères est une approche de plus en plus utilisée.
Afin de s’inscrire dans cette voie, qui répond notamment à un besoin économique,
nous avons utilisé l’approche proposée par Ch’ng [Ch’05]. La combinaison de deux
ou plusieurs méthodes d’optimisation donne à celles-ci une efficacité qui ne peut pas
être atteinte par aucune d’elles individuellement. C’est pourquoi, nous avons pro-
posé une méthode originale d’optimisation de type hybride afin d’obtenir ce qu’on va
appeler une surface de réponse par intervalle. La méthode proposée, combine
trois approches : la méthodologie de surface de réponse, les tolérances mécaniques
et le calcul par intervalle.
Chapitre 3
Le troisième chapitre est consacré au développement Mécanique. On présente
ici la modélisation numérique des principales défaillances exposées au chapitre 1. Ces
défaillances, par leurs effets sur la fabrication, pourront engendrer des coûts très éle-
vés. Différents critères de rupture non-couplés et des lois de comportement couplées
à l’endommagement de type Lemaı̂tre ont été implémentés au code ABAQUS à
travers la routine utilisateur UMAT, ce qui a permis de prédire et d’optimiser les
procédés vis-à vis de la rupture des pièces. Pour la modélisation de l’outillage un cer-
tain nombre de lois de fatigue ainsi que la loi d’usure d’Archard ont été implémentés
ce qui pourrait permettre une optimisation multicritères des procédés.
Chapitre 4
La contribution au niveau Informatique est présentée dans le quatrième cha-
pitre. Le développement du logiciel OPTIFORM, conçu pour automatiser et fa-
ciliter l’application de la Méthodologie des Surfaces de Réponse à partir des
simulations numériques, est décrit dans cette partie. Il s’agit d’un outil informa-
tique qui permet de déterminer de manière automatique et rapide, la combinaison
6
optimale des paramètres d’un processus, permettant d’obtenir des produits respec-
tant les spécifications données. Son interface graphique permet aux concepteurs une
utilisation conviviale.
Chapitre 5
La validation des méthodes proposées est exposée dans ce cinquième chapitre. Un
certain nombre d’applications sont détaillées mettant en oeuvre les contributions des
chapitres 1, 2 et 3. On commence par la nouvelle approche sur la détermination du
caractère non linéaire de la réponse d’un système obtenu par des simulations numé-
riques. Cette approche est utilisée afin de réduire le retour élastique après le pliage.
L’optimisation du procédé d’extrusion est faite à l’aide des modèles numériques qui
nous ont permis d’abord la prévision de l’usure de la matrice mais aussi la prévision
de la durée de vie dans un contexte d’optimisation multicritères. L’approche hybride
que nous avons développée (Chapitre 2) est appliquée dans le cas d’une opération
d’emboutissage afin d’optimiser le retour élastique.
7
8
Chapitre 1
Méthodes d’optimisation des

procédés de mise en forme
Dans ce chapitre nous essayerons d’abord de présenter brièvement les principaux

procédés de mise en forme. Notre attention sera ensuite focalisée sur l’extrusion, le
pliage et l’emboutissage, procédés pour lesquelles plusieurs détails seront présentés.
Une attention particulière sera accordée à la présentation des mécanismes de dé-
faillances souvent négligés tels que : l’usure des outils, la rupture des pièces ou le
retour élastique. Un état des lieux sur les méthodes qui proposent l’optimisation des
procédés de mise en forme sera fait dans le but de mettre en évidence les principaux
travaux dans le domaine ainsi que de trouver les moyens pour les améliorer. Ces
méthodes seront par la suite abordées plus en détail avec un objectif qui ne sera ni
de comparer la performance de chacune, ni de montrer tous les détails concernant
leurs implémentations mais plutôt de mettre en évidence les caractéristiques qu’elles
ont en commun. La particularité des procédés de mise en forme nous a incité à choi-
sir, parmi les méthodes d’optimisation évoquées dans cette partie, la méthodologie
des plans d’expériences. Cette méthode répond mieux à notre objectif et elle sera
présentée au chapitre suivant.
9
10
1.1. INTRODUCTION
1.1 Introduction
La mise en forme de matériaux métalliques est une opération qui assure la fa-
brication des pièces en production de grande série à faible coût. Rapportés à la
qualité des pièces finales obtenues, les procédés de mise en forme restent la forme la
plus économique d’obtention des produits par déformation plastique des métaux. Au
cours du formage les pièces subissent des variations dimensionnelles ou des caracté-
ristiques fonctionnelles qui peuvent affecter d’une manière considérable leur qualité
finale. Afin de réduire ces effets les ingénieurs ont fait appel à la modélisation par
éléments finis permettant de prédire le comportement des pièces. La simulation nu-
mérique par éléments finis est la méthode la plus utilisée pour aider à la prise de
décisions avant de lancer la fabrication des nouveaux produits.
Les problèmes d’optimisation, notamment pour les procédés industriels, sont de
plus en plus complexes. La difficulté essentielle tient au coût de chaque simulation et
à la formulation des problèmes. Nous aborderons le problème de l’optimisation tout
d’abord du point de vue mathématique pour définir le cadre conceptuel (le modèle
mathématique), mais aussi du point de vue d’un ingénieur pragmatique qui cherche
à trouver des solutions simples pour des problèmes de plus en plus complexes causés
par les variations des caractéristiques des procédés.
Le principal but de ce chapitre est de répondre à la première discipline évoquée
dans ce rapport les mathématiques. Les outils mathématiques qui seront abordés
dans cette partie, vont assurer la création de modèles appropriés aux procédés de
fabrication, par des méthodes spécifiques, en vue de leur optimisation.
L’amélioration de la qualité technique des pièces mécaniques nécessite l’optimi-
sation de leurs procédés de fabrication. L’optimisation des procédés est un enjeu
industriel d’une importance capitale qui vise à trouver les caractéristiques des pro-
cédés de fabrication en accord avec la meilleure qualité possible des produits
Au cours de ces dernières années, les exigences de qualité et de sûreté de fonc-
tionnement, exprimées par les clients, ont contraint les entreprises à concevoir et
réaliser de nouveaux produits exempts de défaillances dans leurs utilisations nomi-
nales. Parallèlement on constate l’émergence de la culture de Near-Shape Forming
dans le domaine de la fabrication qui consiste à produire des pièces conformes en
une seule opération dans la mesure du possible ce qui nécessite une connaissance et
une maı̂trise accrues des procédés de fabrication. L’évolution des méthodes permet-
tant d’améliorer la qualité des pièces, a conduit progressivement les spécialistes ces
dernières années à développer des outils d’optimisation des procédés (Figure 1.1)
facilitant leurs utilisation.
11
CHAPITRE 1. MÉTHODES D’OPTIMISATION DES PROCÉDÉS DE MISE EN FORME
Fig. 1.1 – Évolution des outils d’amélioration de la qualité des produits.
La qualité des pièces fabriquées dépend d’un certain nombre de facteurs qui
affectent leurs caractéristiques mécaniques et géométriques en cours de fabrication.
La durée de vie des pièces en service est fortement influencée par les conditions
opératoires du formage. La figure 1.2 présente les principaux facteurs exerçant une
influence sur les pièces fabriquées.
Fig. 1.2 – Principaux facteurs influant en fabrication [Ben01].
Pour assister les concepteurs dans la démarche de mise au point de la gamme de

fabrication, on peut envisager d’appliquer les techniques d’optimisation. Plusieurs
méthodes et techniques sont utilisées depuis une dizaine d’années dans le calcul
des structures élastiques. On peut citer par exemple les méthodes de gradient, re-
cuit simulé, simplex, recherche tabou, réseaux de neurones, méthodes hybrides, etc..
Toutes ces méthodes nécessitent des centaines voire des milliers de calculs stochas-
tiques pour aboutir à l’optimum. Dans le domaine de la mise en forme, la méthode
d’optimisation la plus adaptée consiste à mettre en oeuvre une approche exigeant la
paramétrisation correcte du procédé concerné.
12
1.2. PROCÉDÉS DE MISE EN FORME
Parmi les différentes stratégies d’optimisation qui seront présentées par la suite
dans le cadre de cette thèse, nous avons décidé d’utiliser la méthodologie des plans
d’expériences qui est mieux adaptée pour le calage et le contrôle des paramètres
des procédés et les conditions opératoires. Cette méthode présente l’avantage d’être
moins coûteuse en temps de calcul parce qu’elle propose une expérimentation fac-
torielle avec un nombre minimum d’essais. Étant une méthode adaptée aux phé-
nomènes de type boı̂te noire, la méthodologie des plans d’expériences permet de
détecter, parmi un ensemble de combinaisons des paramètres de fabrication (jeux
de données), la combinaison optimale. Il est important de préciser aussi le fait que
l’utilisation de la méthodologie des plans d’expériences pour optimiser les procé-
dés de fabrication permet la paramétrisation du calcul par des modèles numériques
correspondant à chaque procédé.
Comme l’objectif principal envisagé dans ce mémoire est l’optimisation des pro-
cédés de mise en forme, on présentera par la suite un bref rappel sur les principaux
procédés de formage, ainsi que les causes qui contribuent à la réduction de la qualité
des pièces fabriquées - les défaillances. Un état des lieux sera fait sur les méthodes
d’optimisation des procédés de mise en forme, qui ont été utilisées afin de diminuer
les conséquences de ces défaillances.
1.2 Procédés de mise en forme

Un procédé de mise en forme consiste à conférer à une pièce, une géométrie don-
née, décrite par une forme et des directions spécifiées par le bureau d’étude. On met
en oeuvre généralement un outillage (outil + matrice), permettant de transformer
la matière en pièce finale (Figure 1.3).
OUTIL
MATIERE
MATRICE
La pièce finale
Fig. 1.3 – Schématisation d’une opération de formage.
13
La figure 1.4 représente schématiquement la famille des procédés de fabrication.
M o u la g e F açonnage F r itta g e P r o c é d é s d iv e r s :
à p a rtir à p a rtir à p a rtir à p a rtir
d e l’é ta t liq u id e d e l’é ta t s o lid e d e l’é ta t p u lv é ru le n t d ’é ta ts p a rtic u lie rs
D é fo r m a tio n p la s tiq u e U s in a g e
s a n s e n lè v e m e n t a v e c e n lè v e m e n t
d e m a tiè re d e m a tiè re
à c h a u d e t à fro id
T r a v a il d e m é ta u x T r a v a il d e m é ta u x P rocédés
A s s e m b la g e
à l’é ta t m a s s if e n fe u ille s tr a d itio n n e ls e t
so u d ag e, b rassag e,
la m in a g e , fo rg e a g e , e m b o u tis s a g e , n o n tr a d itio n n e ls
c o lla g e , riv e ta g e ,
fila g e , é tira g e , p lia g e , d é c o u p a g e , c o u p e , a b ra s io n
ag rafag e
tré fila g e rep o u ssag e p h y s ic o -c h im iq u e
s a n s e n lè v e m e n t
Fig. 1.4 – Principaux procédés de mise en forme [Fel00].
Les procédés de mise en forme qui font l’objet de cette étude concernent la
déformation plastique (sans enlèvement de matière) (Figure 1.4) et pourront être
classées en deux grandes catégories :
1. Le travail des métaux à l’état massif :
– laminage, forgeage, matriçage, estampage, filage ou extrusion, étirage, tréfi-
lage, etc.
2. Le travail des métaux en feuilles :
– pliage, emboutissage, fluotournage, repoussage, découpage, etc.
La demande de plus en plus forte du marché des pièces obtenues par la mise
en forme a déterminé une évolution de leurs conditions de mise en oeuvre tout
en gardant les spécificités du chaque procédé. Cette évolution suit trois grandes
tendances [Fel00] :
– tout d’abord par une substitution des procédés qui ont permis le remplacement
de diverses opérations d’usinage peu économes en matière première et énergie.
– par une suppression ou réduction des traitements de finition des pièces qui vise
à produire directement et sans opérations supplémentaires la pièce avec toutes
ses spécifications tant dimensionnelles que mécaniques.
– par un enchaı̂nement continu des diverses opérations afin d’éliminer progres-
sivement les temps morts. Le caractère continu des diverses opérations a en
effet un double avantage : réduction des coûts de stockage et amélioration de
la qualité du produit final.
14
1.3. PRÉVISION DES DÉFAILLANCES LORS DU FORMAGE
1.3 Prévision des défaillances lors du formage
Les procédés de mise en forme des métaux ont une importance économique assez
forte, qui correspond pour un pays développé à quelques pour-cents du produit na-
tional brut (PNB) [Fel00]. Les ingénieurs ont comme tâche principale l’obtention de
produits de qualité avec un taux de défaillance proche de zéro, c’est ce qu’on appelle
le principe du zéro défaut introduit pour la première fois par Crosby [Cla50].
On considère qu’une pièce est défaillante à partir du moment où elle ne remplit
pas sa fonction ou l’assure de manière dégradée.
De façon générale, il faut admettre que toute pièce peut-être affectée par des
défaillances techniques ou mécaniques et cela se traduit par une augmentation du
coût de la non-qualité. L’identification et l’amélioration de la fiabilité de pièces sont
des préoccupations quotidiennes pour les ingénieurs car les effets sur le procédé
peuvent être parfois catastrophiques [Fau04].
Il existe plusieurs modalités de classification des défaillances [Vil88] mais on ne

présente ici que la classification fonction des effets. D’après leurs effets, il existe aussi
plusieurs modes de défaillances mais habituellement on considère quatre catégories :
défaillances mineures, défaillances significatives, défaillances critiques, défaillances
catastrophiques. Les origines des défaillances sont multiples mais elles peuvent être
dues [Aub04] :
– au matériau : défauts de matériau, cristallisation, ségrégation,

– aux procédés de fabrication : pliage, extrusion, emboutissage,etc.,
– à la conception : sous-dimensionnement, conception imparfaite,
– à l’utilisation : surcharge, utilisation non conforme,
– à l’humidité ou à la température,
– aux agressions de l’environnement [Vil88].
Dans ce travail nous avons étudié notamment les défaillances des procédés de
mise en forme qui seront présentées par la suite. Le diagramme d’Ishikawa (Figure
1.5) résume les plus importantes causes de défaillances, parmi lesquelles on peut
citer : la rupture, l’usure, la fatigue des outils, le retour élastique, fissuration, etc..
15
"
Fig. 1.5 – Diagramme d’Ishikawa pour les défaillances mécaniques.
Compte tenu du fait qu’il existe une dépendance très forte entre les défaillances
et les défauts, sur la figure 1.6 on présente d’une manière synthétique les principaux
défauts pour les procédés de mise en forme. Plusieurs détails seront présentés par la
suite dans ce paragraphe.
!$% & ' (& ) $!'

*+ &
! " ! " &

& % "
$ ,
-
./ !
! " ! /
*
Fig. 1.6 – Les principaux défauts pour les procédés de mise en forme.
1.3.1 Défaillances lors de l’emboutissage

1.3.1.1 Description du procédé
L’emboutissage est un procédé de formage par déformation plastique à chaud ou

à froid des métaux. Il transforme une feuille de métal appelée flan en une surface
généralement non développable [Ren10].
16
L’opération de l’emboutissage de tôles [Fel00, RO40] nécessite une presse à em-

boutir de forte puissance munie d’outillages spéciaux qui comportent, trois pièces
(Figure 1.7) :
– Un poinçon coulissant suivant l’axe vertical, et déformant la tôle.
– Une matrice qui sert d’appui à la tôle et lui donne la forme extérieure finale.
– Un serre flan qui a le rôle de maintenir le flan afin d’assurer un écoulement
homogène du métal et de prévenir les risques de plis ou autres défauts d’em-
boutissage.
Fig. 1.7 – Procédé d’emboutissage : Photo [Emb02]
En fonction de la température de formage, il existe deux techniques d’emboutissage :

– L’emboutissage à froid qui consiste à former des pièces à la température
ambiante. Cette technique présente l’avantage d’obtenir une meilleure préci-
sion dimensionnelle [Bou66] et un coût réduit, parce qu’elle ne nécessite pas
l’échauffement du flan et de la matrice. Mais elle a certains inconvénients tels
que : les contraintes résiduelles qui peuvent provoquer un risque de rupture par
fatigue, l’épaisseur des tôles à emboutir et les caractéristiques mécaniques sont
limitées. Pour la fabrication de pièces de grandes épaisseurs il est nécessaire
d’effectuer cette opération en plusieurs passes.
– L’emboutissage à chaud [Bou30] qui consiste à former des pièces sur des
presses hydrauliques par chauffage du flan et de la matrice ce qui évite l’écrouis-
sage et la formation des contraintes résiduelles. Cette technique facilite la dé-
formation du matériau, mais à une cadence de production moins élevée par
rapport à celle de l’emboutissage à froid. Les pièces finies sont de moins bonne
qualité, que ce soit au niveau de l’état de surface ou du dimensionnement.
Durant l’emboutissage, afin d’obtenir la forme désirée, le métal est soumis à
17
des déformations plastiques [Mon00, Pom95], qui consistent en un allongement ou

rétreint local de la tôle [Cun42]. Les zones d’étirement subissent un amincissement
(Figure 1.8 a) qui doit rester limité pour éviter la rupture et les zones de rétreint
(Figure 1.8 b) subissent une combinaison d’épaississement et de plissement. Afin
d’optimiser l’écoulement du métal entre le poinçon et la matrice il faut savoir réaliser
le meilleur compromis entre ces deux modes de déformations (Figure 1.8).
Fig. 1.8 – Principaux modes de déformation par emboutissage.
Pendant cette opération les déformations [Col11, Col10] sont très complexes et
entraı̂nent des défauts qui sont difficilement maı̂trisables [Ham00b, Has02, Lih04,
Ren10]. Ces défauts peuvent être regroupés en deux catégories :
– Défauts structuraux : rupture (Figure 1.9), zone insuffisamment tendue, stric-

tion localisée, fissurations, etc. [Has02, Ren10, Xu04]
– Défauts de forme : ondulations, formation des plis (Figure 1.10), peau d’orange,
retour élastique, etc. [Lih04]
Fig. 1.9 – Défauts structuraux d’emboutissage : rupture [Lih04].
18
Fig. 1.10 – Défaut d’emboutissage : Formation des plis [Yos04].
Le procédé d’emboutissage est influencé par une gamme très variée de facteurs :
lubrification, cadence, pression de serre flan, etc.. Mais une influence importante est
engendrée par des facteurs qui sont liés à la métallurgie de la tôle tels que : la limite
d’élasticité, la surface de la tôle, la taille des grains, le coefficient d’anisotropie, l’ho-
mogénéité du matériau etc. [Col11, Mon00]. Le facteur le plus important influençant
l’écoulement du métal est considéré comme étant la géométrie du flan [RO40].
1.3.1.2 Le retour élastique
Lorsque le poinçon se retire après la phase de mise en forme, la pièce ainsi formée
n’est plus soumise à la force de maintien. Il se produit un retrait de la matière du
à l’élasticité du matériau et aux contraintes résiduelles après le formage (Figure
1.11). Ce phénomène s’appelle retour élastique [Kyu00, Lia02, Sta02, SW04] et il est
d’autant plus important que la limite d’élasticité du matériau est elle même élevée.
Les conséquences du retour élastique après l’emboutissage sont :
– défauts de forme
– variations des caractéristiques géométriques des pièces.
Fig. 1.11 – Retour élastique après l’emboutissage.
19
La compréhension et la prédiction du retour élastique [Kyu00, Lia02, SW04] des

pièces est un travail qui nécessite la maı̂trise des paramètres opératoires et de leurs
interactions. Pour cela les caractéristiques à prendre en compte sont principalement :
l’élasticité du matériau, les rayons de raccordement, le jeu entre le poinçon et la
matrice, le frottement, la cadence [RO40], l’épaisseur de la tôle ou la force de serre
flan, etc..
Lingbeek et al [Lin05] présentent deux méthodes pour compenser le retour élas-
tique après l’emboutissage. Pour la première méthode appelée méthode de l’ajus-
tement du déplacement ou en anglais smooth displacement adjustment (SDA),
l’auteur propose une compensation du retour élastique par un déplacement sup-
plémentaire de l’outil dans le sens inverse du retour élastique. Dans la deuxième
méthode appelée méthode de contrôle de la surface de l’angle d’ouverture
ou en anglais surface controlled overbending (SCO), l’auteur garde le même principe
que pour la première en ajoutant différents types de maillage pour l’outil, et la tôle
tout en gardant une surface de référence appelée surface de contrôle (Figure 1.12).
Fig. 1.12 – La modification de la géométrie avec le contrôle de la surface.
Les deux méthodes sont efficaces et elles donnent des résultats appropriés. Les
résultats obtenus par simulation numérique ont été comparés à des expérimentations
réelles et les conclusions ont été satisfaisantes. Une autre approche basée sur la
méthodologie de la surface de réponse [Mon01] est proposée par Stander [Sta02].
L’auteur garde la même idée de compensation de l’angle du retour élastique. Le
processus d’optimisation est en effet un processus d’itérations successives pour les
surfaces de réponses qui modélise le retour élastique. A chaque itération, l’objectif est
20
de trouver les variables du procédé qui minimisent le retour élastique. Les variables
qui ont été considérées durant les itérations sont : les paramètres géométriques de la
tôle, les rayons de la matrice, la force de serrage, etc.. Le processus s’arrête quand les
tolérances imposées par l’utilisateur pour chaque paramètre ont été atteintes. Malgré
le temps du calcul qui est d’autant plus long que les paramètres sont nombreux,
cette méthode donne des résultats fiables. Afin de réduire les défauts engendrés
par le retour élastique après l’emboutissage, nous avons développé une méthode
hybride d’optimisation (Chapitre 2) qui sera validée par une application à ce procédé
(Chapitre 5).
1.3.1.3 Réduction de la formation des plis durant l’emboutissage
La formation des plis pendant le procédé d’emboutissage est un problème difficile

qui a été largement étudié par différents chercheurs [AH91, Bal93, Cao97, Maz87,
Nar95, Sob92a, Sza91, Wan94] notamment à partir de l’influence des caractéris-
tiques des matériaux. Narayanasamy [Nar05] présente dans son étude l’influence du
frottement sur le processus de formation de plis (Figure 1.13).
Fig. 1.13 – Différents types de plis durant l’emboutissage.
Le travail de référence pour l’étude de ce défaut est celui développé par Yoshida
[Sza91]. Il propose un test pour déterminer les conditions d’apparition des plis qui
porte son nom - Yoshida buckling test. Di et Thomson [Di97] ont utilisé les
réseaux de neurones pour prédire le même phénomène. Leur approche est basée sur
les paramètres de matériau proposés par Yoshida.
Une modélisation en 3D par éléments finis est proposée par Fan et al [Fan05] sur
la formation des plis durant l’emboutissage (Figure 1.14).
21
Fig. 1.14 – Formation des plis durant l’emboutissage - simulation par élements finis.
Les auteurs montrent que l’état de l’endommagement dépend fortement de l’his-

toire du chargement et son évolution est influencée par le frottement et la force
de serrage. Ils proposent également le couplage endommagement-éléments finis afin
de localiser le processus d’initiation des fissures (Figure 1.15). Les résultats expé-
rimentaux obtenus ont permis la validation de la méthode par la corrélation avec
les simulations numériques. Étudiant le même défaut, Correia et al [DMC01] ont pu
conclure que l’anisotropie du matériau a une influence négligeable sur le niveau de
la contrainte critique de plissement.
Fig. 1.15 – Initiation des fissures pendant l’emboutissage.
Même si maintenant à la place du poinçon on peut utiliser un fluide sous pression

qui va déformer la tôle (procédé d’hydroformage) tout en éliminant le frottement
entre la tôle et le poinçon, le risque d’apparition des défauts, tels que la rupture de
la tôle et la formation de plis, est toujours présent. Une approche par éléments finis
(Figure 1.16) est proposée par Nader [Nad05] afin de corriger ces défauts.
22
Fig. 1.16 – Simulation numérique des plis et de la rupture en hydroformage.
L’emboutissage sous presse présente de nombreux intérêts tant par son aspect
économique que qualitatif. Cette technique de mise en forme permet d’obtenir des
pièces à des prix bas avec des cadences de production très élevées. Les applications
de cette opération de mise en forme sont extrêmement larges. On les trouve no-
tamment dans les domaines suivants : transports (automobile pièces extérieures -
carrosserie et intérieures - renforts), électroménager (radiateurs, machines à laver),
ménager (casseroles - Figure 1.17), sanitaire (lavabos métalliques), emballage (boı̂tes
de boisson, conserves), pièces mécaniques, etc..
Fig. 1.17 – Pièces obtenues par emboutissage : a) petites pièces b) pièces de gros
volume.
On peut rappeler également que dans le domaine de l’automobile les carrosseries

obtenues par emboutissage représentent à travers le monde environ 20 millions de
tonnes d’acier par an [Che04].
23
1.3.2 Défaillances lors du pliage
1.3.2.1 Description du procédé
Le pliage est la technique la plus utilisée dans la mise en forme. Une pièce pliée est
formée par l’action verticale d’un poinçon rectiligne, sur une tôle supportée par une
matrice (Figure 1.18) dont les rayons d’attaque sont parallèles à l’arête du poinçon
[Bou30].
Tôle
Poinçon
Matrice
Fig. 1.18 – Procédé de pliage - Photo : [Ben01].
Cependant il existe plusieurs types de pliage tels que : le pliage en V, le pliage

en l’air, le pliage à double matrice ou en L, le pliage en U etc. (Figures 1.19,1.20).
Fig. 1.19 – a) Pliage en V b) Pliage en l’air - Photo : [Ben01]
24
Fig. 1.20 – a) Pliage en frappe b) Pliage en L - Photo : [Ben01]
La figure 1.21 présente schématiquement les différents paramètres géométriques

du pliage comme l’épaisseur de la tôle, la longueur pliée, le rayon et l’angle de pliage.
Durant ce procédé la tôle est soumise à des contraintes de traction sur la partie qui
vient en contact avec le poinçon et le compression sur la face opposée.
Fig. 1.21 – Paramètres géométriques du pliage - Photo : [Bou30].
De ce fait, sur la partie tendue il existe le risque d’apparition de fissures, quand le

rayon de la matrice est trop petit, comme il est montré dans la figure 1.22. Ces fissures
peuvent être évitées si on respecte un rayon minimal de pliage pour la matrice. Le
rayon déterminé est fonction de l’épaisseur de la tôle et peut être influencé aussi par :
la nature du métal, la géométrie de la pièce pliée, l’état du bord découpé [Bou30].
25
Fissurations
Fig. 1.22 – Apparition des fissures pendant le pliage - Photos : [Ben01, Mka03].
1.3.2.2 Retour élastique
Après l’opération de pliage lorsque le poinçon se relève, la tôle sous l’action des
contraintes élastiques résiduelles se relâche. Ce phénomène s’appelle retour élastique
(Figure 1.23).
Serre Poinçon
flan
Matrice
Démarrage Pendant Final Retour élastique
Fig. 1.23 – Retour élastique après le pliage - Photo : [Ben01].
La forme finale de la pièce pliée diffère de celle obtenue par la force du poinçon
car il y a ce défaut de retour élastique [Ber74] qui est appelé aussi ressaut
[Mar99] (Figure 1.23). Il entraı̂ne des variations de la géométrie finale de la pièce et
constitue la principale difficulté à maı̂triser pour le processus de pliage. Le retour
élastique dépend de plusieurs facteurs tels que : l’élasticité du matériau, le rayon de
la matrice, l’épaisseur de la tôle, la lubrification, le jeu entre le poinçon et la matrice,
la distribution des contraintes dans l’épaisseur de la tôle, la cadence, l’angle et la
force de pliage [Mka03], etc.. La dépendance du retour élastique du matériau est
importante et elle peut être exprimée par le fait que celui-ci sera d’autant plus
grand que :
– la tôle est mince,
– la limite d’élasticité est faible,
26
– le module d’élasticité est grand.
1.3.2.3 Diminution du retour élastique
De nombreuses études [Cho99, Lep04a, Wer97, Zaf04] proposent ou rappellent

différentes méthodes pour la diminution du retour élastique en jouant sur l’angle
de pliage (Figure 1.24). Ces méthodes empiriques sont basées sur la connaissance a
priori du retour élastique du matériau, ce qui n’est pas toujours possible à cause de
la non-homogénéité du matériau et aussi de la variation des paramètres opératoires
du pliage.
a) pliage en l’air c) déformation plastique à la fin du pliage

b) surpliage d) contraintes de compression lors du pliage
Fig. 1.24 – Solutions pour diminuer le retour élastique - Photo : [Zaf04]
Par exemple pour un pliage en V, on peut réduire le retour élastique en forçant

le poinçon à s’appuyer sur le fond du V (Figure 1.25 a). Une autre technique est de
forcer le poinçon à s’appuyer sur les deux arrêts de la matrice (pliage en V - (Figure
1.25 b), complétée en même temps par un jeu très petit qui va empêcher la tôle de
se relâcher, mais cette solution présente l’inconvénient de surcharger les machines
(50-60 % plus d’effort supplémentaire que dans le pliage en l’air [Ben01]) et de n’être
applicable qu’aux presses mécaniques.
Fig. 1.25 – Pliage en V - solutions pour diminuer le retour élastique - Photo : [Ben01]
27
Plusieurs chercheurs [Bah05, For98, Ina02, Lia02, Mat02, Wer97, Zaf04] ont pro-
posé différentes méthodes pour la diminution du retour élastique.
Bahloul et al [Bah05] montrent dans leur travail que, pour un rayon petit de
pliage même si le retour élastique n’est pas significatif, la tôle subie des fissurations
importantes (Figure 1.22].
Une étude sur l’influence de certains paramètres de pliage sur la géométrie finale
des pièces est proposée par Mkaddem [Mka03]. Il propose une analyse du com-
portement d’éprouvettes en lieu et place des attaches réelles. L’originalité de cette
approche consiste d’abord en l’introduction des différentes caractéristiques du ma-
tériau obtenues par des essais réels sur des modèles numériques afin d’améliorer son
comportement pendant le pliage. Une des conclusions enoncée durant cette étude
est que le retour élastique est fort dépendant du rayon de pliage.
Les effets du rayon d’arrondissement du poinçon (Figure 1.25) sur le retour élas-
tique, pour le pliage en V, ont été envisagés par Forcellese et al [For98]. Durant
leur investigation avec des modèles par éléments finis, ils ont mis en évidence une
influence significative du rayon d’arrondissement du poinçon sur le retour élastique.
Les résultats obtenus par simulations numériques ont été validés expérimentalement.
Pour le pliage en l’air Inamdar et al [Ina02] ont étudié l’influence de l’interaction
entre les paramètres opératoires du procédé et ceux du matériau sur le retour élas-
tique pour différents types de matériaux. Ils ont pu montrer que le retour élastique
est essentiellement affecté par le rapport entre l’ouverture de la matrice et l’épaisseur
de la tôle.
Dans son travail, Samuel [Sam00] montre que le retour élastique est fortement
dépendant de l’anisotropie du matériau ainsi que de la force de pliage. Il trouve
que la courbure des parois latérales (pliage en U) varie inversement au rayon de la
matrice ce qui est due, selon lui, à la force de serrage appliquée par le serre flan.
Pour le pliage en L une étude sur la prévision et l’élimination du retour élastique
à l’aide des calculs par éléments finis est présentée par Livatyal et al [Liv02]. Les
résultats des simulations numériques obtenues par des codes de calculs différents
(Abaqus, Deform, ou Bend) sont comparés avec des résultats expérimentaux afin de
montrer les performances de chaque code de calcul. Par exemple, de façon générale,
les prévisions des charges de formage avec Abaqus se sont avérées plus proches des
résultats expérimentaux que celles obtenues avec Deform. Alors que’Abaqus donne
des résultats légèrement plus précis, Deform a l’avantage d’une interface graphique
facile à utiliser avec des routines de pré et de post-traitement puissantes.
Gau et al [Gau01] ont fait une investigation expérimentale afin d’étudier l’in-
fluence de l’effet Bauschinger sur la prédiction du retour élastique (Figure 1.26).
28
Après l’analyse des résultats ils ont conclu que le retour élastique n’est pas influencé
d’une manière significative par l’effet Bauschinger.
Fig. 1.26 – Retour élastique obtenue expérimentalement.
Une grande partie de la littérature dans le domaine de mise en forme par pliage
[Cho99, LP01, Liv02, Liu02, Sam00] est consacrée à la prédiction par éléments finis
couplé ou non avec une analyse expérimentale du retour élastique, afin de proposer
la diminution des effets engendrés par ce défaut.
Malgré ces propositions, le retour élastique reste encore un problème pour le pro-
cessus de pliage. Dans ce contexte nous allons proposer dans le chapitre 2 une nou-
velle méthode d’optimisation applicable notamment car il s’agit des essais basés sur
des simulations numériques et le phénomène étudié à un fort caractère non-linéaire.
Le procédé de pliage étant un processus non-linéaire nous a permis de montrer les
avantages d’utilisation de cette nouvelle méthode dans le processus d’optimisation.
Le procédé de pliage est très répandu, dans l’industrie parce qu’il peut-être uti-
lisée aussi bien pour la fabrication des pièces de grandes dimensions que pour des
petites pièces (Figure 1.27).
Fig. 1.27 – Pièces obtenues par pliage.
Cette technique de mise en forme présente l’avantage de faire appel à des ou-
tillages simples pour la réalisation des pièces de formes complexes (Figure 1.27) Ces
29
inconvénients sont liés au fait que la longueur de pli est limitée à la longueur de la
machine et l’élasticité résiduelle (retour élastique) reste difficilement contrôlable.
1.3.3 Défaillances lors de l’extrusion
1.3.3.1 Description du procédé d’extrusion
L’extrusion (Figure 1.28), est un procédé de filage assez récent, qui consiste à
porter les métaux à une température adéquate, puis à les faire passer, sous une très
forte pression, à travers une filière (matrice) dont les ouvertures définissent le profil
recherché.
Fig. 1.28 – Opération d’extrusion.
Il existe plusieurs techniques d’extrusion. On présente ici les plus utilisées en les
classant en fonction du type d’extrusion ainsi qu’en fonction du type de la pièce
finale (pleine ou creuse) [Bos85] :
Ecrasage
– pour les pièces pleines - simples ou semi-encastrées (Figure 1.29 a)

– pour les pièces creuses - écrasement d’anneau ou écrasement semi-encastré
Filage inverse
– pour les pièces pleines - filage inverse extérieur ou central (Figure 1.29 b)
– pour les pièces creuses - filage inverse extérieur ou central
30
Fig. 1.29 – a) Ecrasage simple b) Filage inverse central.
Filage direct
– pour les pièces pleines - filage direct extérieur ou central ( Figure 1.30 a)
– pour les pièces creuses - filage direct creux ou extérieur
Filage latéral
– pour les pièces pleines (Figure 1.30 b)
Fig. 1.30 – a) Filage direct central b) Filage latéral.
1.3.3.2 Les principaux défauts d’extrusion
Pour le procédé d’extrusion les principaux défauts sont [Ram20] :

– les défauts provenant du métal (inclusions, défauts internes, fissures externes)
– les défauts provenant de la transformation par forgeage (rupture du lopin -
Figure 1.31, fissures internes - Figure 1.34)
31
Fig. 1.31 – La rupture du lopin.
– les défauts provenant du chauffage et du refroidissement lors du forgeage

– les défauts dus au traitement thermique
– les erreurs d’usinage
– les défauts dus aux outils (usure, fatigue)
L’écoulement du matériau (Figure 1.32) est un facteur qui peut entraı̂ner des défauts
durant le formage des pièces par ce procédé. Collinet [Col72] montre par une étude
expérimentale l’influence de la lubrification sur l’écoulement du matériau (Figure
1.32). On voit bien sur les deux figures que, l’absence de lubrifiant met en évidence
une baisse de la vitesse d’écoulement au voisinage de la paroi, ce qui entraı̂ne une
déformation hétérogène et un risque de cisaillement du métal [Per40].
Fig. 1.32 – Influence de la lubrification sur l’écoulement du métal a) sans lubrifica-

tion b) avec lubrification - Photo :[Col72]
La maı̂trise du frottement est nécessaire du fait qu’elle peut influencer aussi

les efforts du formage, la nature des déformations et les états de surface (fissures
externes Figure 1.33) obtenus après déformation [Bos85].
32
Fig. 1.33 – Fissuration externe durant l’extrusion.
Les fissurations (Figure 1.34) dans la zone centrale sont des défauts très souvent
rencontrés lors de l’extrusion [Ko00] qui sont dus à un état de tension hydrostatique
dans la ligne centrale de la zone de déformation du lopin. Ces défauts sont connus
dans la littérature aussi par le nom de défauts en chevron.
Fig. 1.34 – Défaut en chevron.
La figure 1.35 présente schématiquement le mécanisme de formation de ces fis-

sures pendant l’écoulement du matériau. En effet, les déformations plastiques subies
par le métal lors du formage n’arrivent pas à se réunir avant la sortie de la matrice ce
qui se traduit par l’apparition de défauts en chevron. Sur la figure (Figure 1.35) on
peut distinguer la formation des défauts en chevron dans la partie centrale du lopin.
La ressemblance entre les deux images (schématisation du mécanisme d’apparition
des défauts et l’expérimentation) confirme les hypothèses faites ci-dessus.
33
Fig. 1.35 – Le mécanisme de formage des défauts en chevron - Photo : [Ext01]
Pour résoudre ce problème [McV05] propose une solution par voie numérique ca-
pable de prédire l’apparition de fissures dans la zone centrale du lopin en fonction des
paramètres opératoires. D’autres chercheurs [Avi86, Ara86, Kaz03, Kom99, Red96,
Shi90] ont proposé des solutions analytiques afin de diminuer ce type de défaut mais
ils n’ont pas encore établi une périodicité dans l’apparition de celui-ci. Kazutake
[Kaz03] fait une analyse sur l’évolution du défaut en chevron pendant le formage.
Par la même occasion il étudie l’influence sur ce défaut des effets de la rupture
ductile, modélisée par différentes approches telles que : critères de Gurson, Oyane,
Cockcroft et Latham, Brozzo et Freudenthal. Après cette analyse il a pu conclure
que les critères de Gurson et Oyane, sont conformes aux résultats expérimentaux,
le critère de Cockcroft et Latham est à peu près conformes aux résultats expéri-
mentaux, tandis que les critères de Brozzo et Freudenthal ne sont pas conformes à
ces derniers. Une autre solution citée dans la littérature pour réduire les défauts en
chevron est d’utiliser un fluide à la place du poinçon (compression hydrostatique)
afin de réduire significativement le frottement.
Au cours de son utilisation, l’outillage subit des sollicitations cycliques et un
échauffement engendré par le travail des actions de contacts entre, le lopin et la
matrice et par la puissance dissipée au sein de la matière. Il en résulte des problèmes
de cassure, d’écaillage ou de grippage (rupture locale sur le bord de l’outil) ainsi que
une usure [Car66, Ham01a, Lee99] progressive des parties actives. L’usure de l’outil
(matrice) peut entraı̂ner des écarts sur la précision dimensionnelle ou la dégradation
de la surface des pièces obtenues par ce procédé. Ce phénomène qui survient pendant
l’opération d’extrusion pour la matrice est un problème qui a été largement étudié
par différents chercheurs [Ari03, GD03, Ham00a, Nam02, Yeo01]. Ils ont pu établir
une dépendance entre l’usure et certains paramètres opératoires tels que : rayon,
frottement, coefficient de réduction, angle de la matrice, etc.). Comme nous avons
consacré une partie de cette recherche à l’étude de l’usure [Lep05c], on présentera
34
plus en détail ce phénomène à la suite de ce paragraphe, ainsi que dans le chapitre

3, là où il sera montré la modélisation par éléments finis.
Les pièces obtenues par extrusion à l’aide des presses mécaniques de grandes
dimensions, sont des pièces identiques à sections égales qui ont un très bon état de
surface permettant souvent de les utiliser sans usinage complémentaire. Leurs do-
maines d’application sont très variés tels que : pétrochimie, sidérurgie et métallurgie,
mécanique, énergie hydraulique, énergie nucléaire, marine, armement, aéronautique
et autres [Ram20]. Le procédé d’extrusion est une opération de formage, qui présente
de nombreux avantages parmi lesquels on peut citer [Bos85] :
– une cadence élevée de production,
– une économie de matière par rapport au forgeage à chaud ou l’usinage (la perte
étant comprise entre 5 et 20 % ) ;
– l’obtention de tolérances précises
– pièces de géométrie complexe (Figure 1.36)
Fig. 1.36 – Pièces obtenues par extrusion.
1.3.4 L’usure des outils

Dans le domaine de la mise en forme des pièces par extrusion [Ham00a] l’aug-
mentation des cadences dans un souci de productivité industrielle entraı̂ne une aug-
mentation des sollicitations thermomécaniques des outils ainsi qu’une augmentation
du taux de rebut par altération de leur surfaces qui sont liées à des mécanismes
d’usure comme l’abrasion ou l’adhésion.
L’usure est une caractéristique utilisée souvent pour décrire l’état d’un système
mécanique. Elle est une conséquence due au frottement entre deux pièces en mou-
vement l’une par rapport à l’autre. Concrètement, l’usure (Figure 1.37), avec ses
35
deux composantes, l’adhésion et l’abrasion, entraı̂ne une micro-détérioration de sur-

face par arrachement de particules. Ce phénomène peut entraı̂ner des modifications
dimensionnelles, géométriques et structurelles par une augmentation des jeux fonc-
tionnels.
Fig. 1.37 – Usure des outils.
Dans l’ensemble des secteurs industriels concernés par l’usure plus des deux tiers
des problèmes rencontrés relèvent de la mécanique (dans ce domaine, 30% des avaries
sont imputables à l’usure) [Car66]. D’après une étude réalisée par le CETIM 1 , le
coût de l’usure dans les années 1990 en France, se chiffrait à 25 milliards d’euros,
soit 3% du PIB.
Compte tenu de la complexité d’un tel phénomène, les premiers chercheurs ont
défini l’usure par des lois générales, souvent empiriques, où ils ont fait appel à l’ex-
périmentation. Mais la pratique nous a appris que les résultats issus des expériences
sont difficilement extrapolables d’une situation à l’autre, à cause des conditions opé-
ratoires qui ne peuvent pas être reproduites d’une manière identique.
Le premier chercheur qui a modélisé l’usure fut Tonn en 1937, qui a proposé une
équation empirique pour prédire l’usure abrasive [Lee99]. En 1940, Holm pose les
bases d’une théorie sur l’usure qui a été utilisée plus tard par Archard [Arc53] pour
donner enfin l’équation appelée loi d’usure d’Archard, qui sera présentée en détail au
paragraphe 3.2.2.2. Cette loi est utilisée pour prédire ce phénomène dans l’hypothèse
d’une évolution linéaire. Le phénomène d’usure fut aussi une préoccupation pour
d’autres auteurs [GA99, Ham00a, Hor99, Jen98, Pai96].
1
CETIM - Centre Technique des Industries Mécaniques
36
1.3.5 Fatigue des outils
Le phénomène de fatigue (Figure 1.38) se manifeste sur les matériaux soumis à

des chargements de faible intensité, qui individuellement ne présenteraient pas de
danger, mais qui, appliqués de façon cyclique, conduisent à l’amorçage puis à la
propagation de fissures, d’abord microscopiques, puis macroscopiques, conduisant à
la ruine du matériau et donc de la structure dont il fait partie.
Fig. 1.38 – Chargement cyclique - fatigue - Photo : [Pay04]
D’une manière générale la fatigue décrit les défaillances qui conduisent à la fissu-
ration et à la ruine des matériaux. La majorité des composants mécaniques critiques
se ruinent sous des sollicitations mécaniques alternées. En tant que mode de dé-
gradation, la fatigue est associée à 50 à 90% des cas de défaillances des systèmes
mécaniques [Lu43]. L’incident le plus fréquent et le plus grave susceptible de survenir
à un outil en service est sa rupture par la fatigue, d’où la nécessité de prendre en
compte ce phénomène.
La fatigue des outils [Ju01, Par05] correspond à une succession, apparemment
continue, de phénomènes complexes : écrouissage, détérioration locale du matériau,
qui entraı̂nent l’apparition des premières microfissures (phase d’amorçage), puis, la
progression lente ou rapide de ces microfissures aboutit à la rupture finale de la
structure (phase de propagation). Habituellement on distingue trois périodes pour
décrire la ruine des outils par la fatigue (Figure 1.39) :
– période de germination ou période d’initiation des fissures,
– période de propagation des fissures,
– rupture brutale ou fracture.
Ces trois périodes représentent des fractions de durée de vie différentes suivant
les matériaux et les caractéristiques des sollicitations. Des études récentes [And05]
montrent qu’il existe une variation de la durée de vie par fatigue fonction de la taille
des grains. La variation des dimensions des grains entraı̂ne une prolongation de la
durée de vie par rapport à une structure avec des grains de même taille.
37
Fig. 1.39 – Les périodes de dégradation par fatigue [Lep05d].
Les théories modernes sur la fatigue proposent une analyse séparée pour chaque
phase. Les théories de l’initiation des fissures [Dra99] sont fondées sur l’hypothèse
que les fissures par fatigue sont initiées par les contraintes locales à la surface de la
pièce (Figure 1.40).
Fig. 1.40 – La dégradation d’une pièce par fatigue - Photo : [Mad69]
Pour la pièce sollicitée en fatigue les théories de propagation des fissures relient
la progression de celles-ci aux efforts extérieurs. La rupture finale est analysée en
utilisant la mécanique de la rupture. Des recherches récentes ont montré que le pro-
cessus d’initiation de la propagation des fissures en fatigue part de défauts initiaux
très petits [Dra99]. L’étude du phénomène de la fatigue des outils permet :
– de mieux maı̂triser la prise en compte de la présence de défauts dans les ma-
tériaux métalliques qui sont utilisés pour la fabrication de ces outils,
– d’évaluer les conditions d’amorçage et de propagation d’une fissure dans les
outils soumis à des sollicitations cycliques.
38
1.4. MÉTHODES D’OPTIMISATION EXISTANTES POUR LA MISE EN FORME
1.4 Méthodes d’optimisation existantes pour la

mise en forme
L’optimisation des procédés de mise en forme est une tâche quotidienne pour les
ingénieurs compte tenu de l’évolution rapide du marché qui entraı̂ne une concurrence
de plus en plus forte. Suite à cette évolution, les méthodes d’optimisation des procé-
dés de formage ont, elles aussi évoluées au fil du temps. Parmi les fonctions objectif
recensées lors du processus d’optimisation on peut citer d’abord la forme de l’outil de
formage qui a été abordée par différents auteurs [Bal96, Chu97, Sri00, Shi04, Uly02]
qui ont proposé différentes méthodes d’optimisation telles que : analyse de sen-
sibilité, algorithmes de Simplex, quasi-Newton, méthode du gradient, algorithmes
génétiques, réseaux de neurones ou autres. D’autres auteurs [Bro03, Cho03, For04,
Ham05a, Sou06] durant leurs recherches ont choisi comme fonctions objectives :
l’usure, le risque de rupture, l’écoulement du matériau, la force d’emboutissage,le
retour élastique, etc.
L’optimisation des procédés de mise en forme est un domaine qui a été introduit
par les travaux de Park [Par83]. La méthode proposée dite de forgeage inverse
utilise les éléments finis pour déterminer le chemin inverse de la déformation per-
mettant de réaliser la pièce finale.
Pour optimiser la forme finale de la pièce après le formage, Srikanth [Sri00]

propose une approche qui a comme objectif d’évaluer le gradient de la fonction
donnée par la différence entre la forme théorique et la forme finale de la pièce.
Pour évaluer ce gradient l’auteur utilise l’analyse de sensibilité de forme qui est une
approche d’optimisation très répandue.
Toujours dans l’optimisation de la forme, Shi [Shi04] développe une méthode

qui utilise l’algorithme de simplex couplé à la modélisation par éléments finis. Par
son algorithme il propose l’optimisation de la forme de la matrice afin d’éviter des
défauts d’emboutissage tels que : la rupture (Figure 1.41 zone A) et la formation de
plis (Figure 1.41 zone B et C). L’algorithme d’optimisation a été conçu de façon à
diminuer le temps de calcul pour le processus d’optimisation (diminution du nombre
des étapes d’optimisation) ainsi que pour les simulations numériques.
39
Fig. 1.41 – Optimisation des défauts d’emboutissge.
La méthode du Simplex est utilisée aussi par Khalfallah [Kha04] afin de dimi-
nuer l’écart entre les réponses obtenues par simulations numériques et les résultats
expérimentaux durant son travail. En effet, son objectif est l’identification des lois
de comportement élastoplastique anisotrope à partir des essais expérimentaux en
vue de leur implémentation par éléments finis.
D’autres applications de cet algorithme ont été proposées. Otaha [Oha98] l’utilise
pour optimiser un procédé 3D de mise en forme de plaques en deux opérations.
Coupez et al [Cou99] propose son utilisation pour l’optimisation du profil de champs
de vitesse dans le procédé d’injection 3D.
Balan [Bal96] présente dans ses travaux de recherche une méthode d’optimisation
inverse basée sur un algorithme de quasi-Newton. Par cette méthode il propose
l’optimisation de la forme des outils de forgeage. La particularité de cette approche
est qu’elle tient compte du caractère non stationnaire du procédé et de principaux
phénomènes qui en découlent : l’évolution du contact et la nécessité des remaillages.
Un problème d’identification des paramètres par une méthode d’optimisation in-
verse est développé par Kleinermann [Kle03]. Cette approche est en effet un problème
d’optimisation pour lequel l’objectif est de réduire au minimum l’écart entre les ré-
sultats obtenus par simulations numériques et les résultats expérimentaux. Pour
résoudre d’une manière efficace un problème inverse, il faut utiliser une méthode
d’optimisation adaptée au problème posé. D’une manière générale une méthode d’op-
timisation peut être efficace pour un problème et complètement inefficace pour un
autre. C’est pourquoi les auteurs proposent l’utilisation combinée de plusieurs mé-
thodes [Kle99] durant l’optimisation, méthodes qui sont changées dès qu’elles ne sont
plus efficaces. On trouvera plus de détails pour leurs implémentations dans [Kle99].
Ulysse [Uly02] dans son travail développe une approche d’optimisation de forme
de la matrice capable d’assurer un écoulement homogène du matériau. Le modèle
40
numérique utilise la méthode des éléments finis en 3D combinée avec des techniques
de la programmation mathématique (Sequential Quadratic Programming (SQP)).
L’étude met en évidence que la forme de la matrice est influencée par des facteurs
comme : les caractéristiques du matériau, les paramètres opératoires du procédé et
la vitesse d’écoulement. La simulation en 3D a été préférée parce qu’elle dépasse les
limites de la modélisation en 2D applicable seulement pour l’extrusion des pièces à
sections minces.
Pour obtenir le profil optimal de la matrice d’extrusion (Figure 1.42), Lin et ses
collègues [Lin03] proposent une approche efficace de type séquentielle basée sur la
méthode du gradient. La géométrie de la matrice optimisée diminue sensiblement
l’usure, parce qu’elle permet un écoulement plus uniforme de la matière. Différents
profils ont été testés (Figure 1.42 1 - profil optimal, 2 - profil de type courbe spline
et 3 - profil incliné α = 45˚) pour choisir enfin celui qui maximise la durée de vie de
la matrice.
Fig. 1.42 – Différents profils de la matrice d’extrusion.
Les algorithmes génétiques sont utilisés par Chung et al [Chu97] pour optimiser
la forme de la matrice d’extrusion. Il propose la modélisation par une courbe de
type spline pour décrire la forme de la matrice (Figure 1.43). Par cette approche les
auteurs ont essayé de résoudre trois problèmes : minimisation de la force d’extrusion,
homogénéisation des déformations sur la pièce extrudée et minimisation du pic de
pression à l’entrée de la matrice.
41
Fig. 1.43 – Optimisation de la forme d’une matrice d’extrusion.
Une analyse de sensibilité sur le procédé de forgeage est proposée par Laroussi
[Lar03]. Cette méthode consiste à calculer le gradient de la fonction objectif à op-
timiser par rapport à un nombre plus ou moins grand de paramètres. Parmi les
fonctions objectif envisagées on peut citer : l’énergie totale de mise en forme, la
force maximale de forgeage, les défauts géométriques, replis, aspiration etc.. Il existe
plusieurs méthodes d’analyse de la sensibilité [Vie99], mais l’auteur propose l’utilisa-
tion de la méthode de l’état adjoint parce que celle-ci est une méthode plus adaptée
au problème posé : le nombre de critères à minimiser est limité (1 ou 2 au plus)
tandis que le nombre de paramètres peut être élevé (une dizaine).
Pour répondre aux attentes des industriels, Vieilledent [Vie99] a eu comme ob-
jectif de développer un logiciel d’aide à la conception optimale en forgeage. L’analyse
de sensibilité a tout d’abord été fiabilisée par la prise en compte des déformations ou
les phases de calage des outils. En effet, le problème d’optimisation posé consiste à
déterminer les valeurs optimales des paramètres permettant de forger la pièce finale
aux dimensions requises et sans défaut majeur tel que les replis, en connaissant la
forme de la pièce à obtenir. Le défaut de repli étant un point clé dans la conception
des gammes de forgeage, par cette étude il a mis en place une technique de maillage
pour la détection et le traitement des replis.
Yanran [Yan95] présente une méthode d’optimisation de la forme de la matrice
d’extrusion notamment sur la partie active de la matrice qui est responsable de
plusieurs types des défauts causés pendant le processus de fabrication. Afin de réduire
la force d’extrusion, parmi les différents types de courbes proposées (en H, cosinus,
elliptique ou droite - Figure 1.44), pour le même diamètre et la même longueur de la
matrice l’auteur recommande la forme elliptique (Figure 1.44 c). Durant cette étude
les essais numériques basés sur des modèles éléments finis ont été comparés à des
expérimentations réelles afin de valider les résultats.
42
Fig. 1.44 – Différents types de courbes pour la forme de la partie active de la matrice
d’extrusion.
Pour optimiser les procédés, Ouabiba et al [Oua01] proposent une boite à outils
basée sur le couplage entre l’environnement de simulation par élément finis (code de
calcul Arena) et l’environnement de calcul numérique et de visualisation graphique
Matlab. Ce couplage permet par ailleurs de bénéficier de l’intégration des méthodes
particulièrement adaptées à une démarche de simulation-optimisation telle que Nel-
der et Mead, recuit simulé ou algorithmes génétiques.
Pour modéliser les processus de fabrication d’une façon stochastique (variabi-
lité de tous les paramètres de l’opération), il devient nécessaire de développer des
modèles de calcul très rapides pour générer des milliers de calculs. En utilisant les
méthodes numériques de calcul (différences finies, éléments finis), les temps de si-
mulation restent longs et interdisent une modélisation globale multicritères précise
[Fou96b, Fou96a, Gan02].
Dans cette démarche Hambli [Ham05a] a développé une technique qui intègre
l’utilisation couplée des réseaux de neurones artificiels et la méthode des éléments
finis. Cette approche a été appliquée avec succès dans le cas d’une opération d’extru-
sion d’une pièce cylindrique afin d’analyser la sensibilité du processus par rapport
au risque de rupture de la pièce au cours du formage.
Le travail de Choudhury et al [Cho03] se concentre sur l’utilisation de la méthode
des plans d’expériences couplée avec les réseaux de neurones pour réduire l’usure de
l’outil pendant le procédé de fabrication. Les réponses prévisionnelles obtenues par
les deux méthodes ont été comparées avec des essais réels afin de pouvoir décider
du choix de la technique qui se rapproche le mieux de la réalité. Les avantages
de chaque méthode utilisée ont été présentés par les auteurs afin de proposer la
meilleure stratégie d’optimisation fonction de la caractéristique de qualité qui doit
être optimisée.
Forestier [For04] a eu comme but le développement d’une méthode d’optimisation
automatique couplée à un code de simulation tridimensionnel de procédés de mise en
forme de métaux. Afin d’atteindre ses objectifs, il utilise l’analyse de la sensibilité,
notamment pour l’optimisation de forme du lopin ou de la matrice. Durant la mise en
43
forme, le matériau est caractérisé par des déformations importantes qui induisent un
écoulement hétérogène. L’approche proposée par l’auteur vise aussi l’optimisation de
ce phénomène qui peut être influencé par : la géométrie de l’outillage ou de la pièce,
le frottement, le comportement complexe de la matière (anisotropie, écrouissage),
etc.
Sousa [Sou06] présente une méthode d’optimisation inverse du retour élastique
pour le procédé de pliage. Le couplage entre la méthode des éléments finis et les
algorithmes génétiques a permis d’obtenir les paramètres optimaux du procédé qui
minimisent le retour élastique. L’approche proposée a été validée sur deux exemples
(pliages en V et U) ainsi que par des essais réels, les résultats ont été encourageants.
Les algorithmes génétiques sont utilisés aussi par Antonio et al [Ant04] afin
d’optimiser le profil de l’outil pendant le forgeage. Les résultats sont satisfaisants
mais l’auteur craint, qu’une hybridisation des algorithmes génétiques avec d’autres
méthodes d’optimisation telles que l’analyse de sensibilité ou d’autres puisse donner
des résultats meilleurs.
Une étude expérimentale du procédé d’emboutissage a été effectuée par [Bro03]
dans le but d’optimiser la force d’emboutissage ainsi que de minimiser la variation
de l’épaisseur de parois. Les auteurs proposent d’abord d’effectuer une étude de
criblage des paramètres opératoires par la méthode des plans d’expériences, afin de
déterminer leurs niveaux optimaux et aussi d’éliminer ceux qui ont peu d’influence.
Les facteurs influençant le procédé d’emboutissage qui ont été considérés durant
l’expérimentation sont : le profil du poinçon, le profil de la matrice, la force de serre
flan, la force d’emboutissage, la cadence, la lubrification, ainsi que la position de la
lubrification (du côté de la matrice ou du côté du poinçon ou les deux). Les auteurs
ont pu conclure que l’utilisation de la lubrification mixte s’avère très efficace, bien
que la lubrification du côté de la matrice seulement, ait donné des résultats meilleurs
que la lubrification du côté du poinçon. Une autre conclusion de cette analyse est
que les paramètres qui ont une influence significative sur la force d’emboutissage
sont : la pression de serre flan, le profil du poinçon et celui de la matrice ainsi que
la position de la lubrification.
Gantar et al [Gan05] ont développé une méthode d’optimisation pour le pro-
cédé d’emboutissage basée sur le couplage éléments finis, surface de réponse et la
méthode de Monte Carlo. Le processus d’optimisation proposé par les auteurs peut
être décrit en deux étapes. Premièrement la modélisation par surface de réponse
d’un critère de qualité (réponse du système) influencé par les paramètres d’entrée, a
permis une diminution du nombre de simulations numériques nécessaires au proces-
sus d’optimisation. Deuxièmement la surface de réponse ainsi obtenue a été utilisée
44
1.5. MODÉLISATION MATHÉMATIQUE D’UN PROBLÈME D’OPTIMISATION
pour obtenir les paramètres optimaux du procédé par la méthode de Monte Carlo.
Cette approche a été utilisée afin d’assurer la stabilité du processus vis à vis des
dispersions des paramètres opératoires : les proprietés du matériau, le frottement, la
force d’emboutissage, etc..
Afin de mieux comprendre certaines particularités des méthodes d’optimisation
citées ci dessus, utilisées pour améliorer la qualité finale des pièces fabriquées, on
présente brièvement par la suite les avantages et les inconvénients de ces méthodes
sans entrer dans les détails mathématiques. Cette présentation a comme principal
but de justifier notre choix pour la méthodologie des plans d’expériences qui est une
méthode vivement conseillée pour des phénomènes de type procédés de fabrication
pour lesquels on ne connaı̂t que les facteurs d’entrée (paramètres opératoires du
procédé) et la sortie (la qualité finale de la pièce fabriquée). Il faut ajouter aussi le fait
que la méthodologie des plans d’expériences propose un nombre minimum d’essais
qui se traduit par un temps de calcul réduit et par conséquent une diminution de
coût évidente.
1.5 Modélisation mathématique d’un problème d’op-

timisation
D’une manière générale pour un problème d’optimisation, on définit une fonc-
tion objectif (fonction réponse, Exemple : usure d’un outil, retour élastique), que
l’on cherche à optimiser (minimiser ou maximiser) par rapport à des paramètres (ou
degrés de liberté - ddl) concernés. Une telle fonction objectif présente habituelle-
ment une seule réponse mais les enjeux industriels d’aujourd’hui font qu’on ne peut
plus rester sur cette idée. Donc, il faudrait passer à l’optimisation multiréponses ou
multicritères (notion qui sera présentée en détail dans le chapitre 2) afin de pouvoir
répondre aux besoins des entreprises pour lesquelles l’optimisation globale a une
conséquence directe - la réduction des coûts.
Un problème d’optimisation de dimension n peut être écrit sous la forme :


 M in ou M ax f (x) ∈ <n

gi (x) ≤ 0, i = 1... n


(1.1)


 hj (x) = 0, j = 1... q

k min ≤ xk ≤ xk max ,
 x
k = 1... n
où :
– f (x) est la fonction objectif qui doit-être minimisée ou maximisée,
45
– x est un vecteur à n variables xk qui représente les paramètres du problème à

optimiser,
– gi (x) et hj (x) représentent les contraintes d’inégalité respectivement d’égalité,
– xkmin et xkmax désignent les limites ou les bornes du domaine d’étude,
– < est l’espace de recherche borné par les limites du domaine.
Après avoir défini la fonction à optimiser, il faut choisir une méthode d’optimisa-
tion adaptée au problème posé. Les méthodes d’optimisation utilisées par différents
auteurs pour la mise en forme peuvent être classées en méthodes déterministes et
méthodes non-déterministes.
1.6 Méthodes déterministes

Les méthodes déterministes (Figure 1.45) sont généralement efficaces quand l’éva-
luation de la fonction est très rapide, ou quand la forme de la fonction est connue a
priori.
! "
Fig. 1.45 – Principales méthodes déterministes.
La figure 1.45 présente une classification des principales méthodes déterministes

d’optimisation.
Afin de trouver les extrêmums d’une fonction f il faut résoudre un système de p
équations à p inconnues, linéaires ou non :
∂f
(z , ..., zp ) = 0 (1.2)
∂zi 1
Pour cela on peut utiliser des méthodes classiques telles que la méthode du gra-
dient ou la méthode de Gauss-Seidel [Cia94, Man98, Nou87]. Le principe de
46
1.6. MÉTHODES DÉTERMINISTES
cet algorithme consiste à suivre la ligne de plus grande pente de la fonction objectif
pour descendre vers le minimum. Cette méthode est basée sur la constatation que
la direction opposée à celle du gradient de la fonction représente une direction de
descente [Pre92]. Pour cela il faut calculer la valeur du gradient, à partir d’un point
initial x0 et utiliser une méthode de recherche linéaire pour minimiser la fonction
dans la direction de descente opposée. Cette minimisation permet de calculer la va-
leur du pas optimal αn qui nous emmène à un nouveau point de recherche à chaque
itération du processus, en utilisant l’équation [Cal01] :
xn+1 = xn − αn ∇f (xn ) (1.3)
où :
– xn est le point de recherche à l’itération n
– xn+1 est le nouveau point de recherche calculé à partir de la minimisation de
f dans la direction opposée à son gradient.
La méthode du gradient conjugué [Cia94] est une méthode itérative permet-
tant entre autres de trouver les extrêmums d’une fonction de plusieurs variables.
Plus finement, la méthode du gradient conjugué fait partie des méthodes dites de
descente selon une direction privilégiée. Elle présente l’avantage d’être facilement
programmable (toutefois, il existe d’autres méthodes plus efficaces) et d’être suscep-
tible d’une extension au cas où l’équation de mesure n’est pas parfaitement linéaire.
La découverte par G. Danzing en 1947, de l’algorithme du simplex [Cha96,
Cia94, Pel71, Sak84] consiste certainement une étape décisive dans l’histoire de
l’optimisation. La méthode du Simplex a été développée ensuite par Nelder et Mead
[Nel65], qui ont eu l’idée de modifier un simplex de façon à ce qu’il atteigne le point
d’optimisation. Le simplex est une figure géométrique de dimension n, créée à partir
de n + 1 points, où chaque dimension correspond à un paramètre du problème à
optimiser. Un simplex de deux dimensions est donc représenté par un triangle, un
simplex de trois dimensions par un tétraèdre, etc..
Pour déplacer le simplex vers la région optimale, l’algorithme vérifie la valeur
de la fonction sur chacun des sommets du simplex original et deplace le point où la
fonction présente sa plus grande valeur, vers la direction opposée. Cette transforma-
tion s’appelle réflexion et elle est appliquée de façon à conserver le volume original
du simplex. Il existe aussi des situations spécifiées par la méthode où le point est dé-
placé soit par une expansion soit par une contraction du simplex, comme le montre
la figure 1.46. Il y a d’autres méthodes dérivées de la méthode du Simplex comme
la méthode Multiple-Move [Por29] qui a été proposée par Hendrix pour accélérer
47
Fig. 1.46 – Méthode du Simplex.
l’évolution du simplex.
1.7 Méthodes non-déterministes

Ces méthodes (Figure 1.47) font appel à des tirages de nombres aléatoires. Elles
permettent d’explorer tout l’espace de recherche et ont une grande capacité à trouver
l’optimum global d’un problème. Contrairement à la plupart des méthodes détermi-
nistes, elles ne nécessitent ni de point de départ, ni la connaissance du gradient de
la fonction objectif pour atteindre la solution optimale. Cependant, elles demandent
un nombre important d’évaluations avant d’arriver à la solution du problème. La
figure 1.47 présente une classification des principales méthodes non déterministes
d’optimisation.
Méthodes non déterministes
Recuit Recherche Méthodes Méthode de Méthodes

Simulé Tabu Évolutionnaires Monte Carlo Hybrides
Réseaux Réseaux de
Bayesiens Neurones
Algorithmes Stratégies Programmation

Génétiques d’Evolution Evolutionnaire
Fig. 1.47 – Principales méthodes non déterministes.
48
1.7. MÉTHODES NON-DÉTERMINISTES
La méthode Monte Carlo [Lap98] ou la méthode de recherche aléatoire est

la plus simple des méthodes non déterministes. Dans cette méthode, la fonction est
évaluée en un grand nombre de points choisis aléatoirement. La méthode consiste en
des simulations expérimentales ou numériques de problèmes mathématiques ou phy-
siques, basées sur le tirage de nombres aléatoires . Généralement on utilise des séries
de nombres pseudo-aléatoires générées par des algorithmes spécialisés [Fis97]. Les
nombreuses critiques [Lap98] à propos des ces méthodes viennent du fait qu’elles ont
la réputation de converger lentement et d’être peu fiables. Certaines sont largement
fondées, et la lenteur de convergences en fait une méthode qu’il convient d’utili-
ser essentiellement dans des situations où l’on ne dispose pas d’autres méthodes
numériques plus efficaces .
Les Algorithmes Génétiques (AG) [Hei97, Man02, Pha00, Vie99], sont des
méthodes basées sur les principes de la sélection naturelle. Ils reposent sur l’analogie
avec l’un des principes Darwiniens les plus connus : la survie de l’individu le mieux
adapté (Figure 1.48). Les AG opèrent sur une population d’individus. Ces individus
évoluent au cours des générations, grâce à des opérateurs génétiques, vers un individu
optimal qui est la solution du problème d’optimisation. Ces individus sont appelés
chromosomes et les opérateurs génétiques qui définissent leurs évolutions sont : la
sélection, le croisement et la mutation (Figure 1.48). Les AG diffèrent des méthodes
déterministes par trois principaux aspects :
– ils ne nécessitent pas le calcul d’un gradient,
– ils traitent une population dans son ensemble plutôt qu’un seul individu qui
évoluerait vers l’optimum,
– ils font intervenir des opérateurs aléatoires ou semi-aléatoires. De ce fait, ce
sont des algorithmes très robustes ; ils sont capables d’optimiser des fonctions
multimodales, non convexes, non différentiables
Fig. 1.48 – Organigramme d’un Algorithme Génetique [Man02]
49
Un réseau de neurones est un outil puissant de modélisation qui peut capter et

représenter des rapports complexes entre des entrées et des sorties [Hay94, Jen97,
Pap96, Raf01, Was01]. L’origine du développement de la technologie des réseaux de
neurones provient du désir de développer un système artificiel capable d’ accom-
plir des tâches intelligentes similaires à celles exécutées par le cerveau humain. Les
réseaux de neurones ressemblent au cerveau humain de deux façons (Figure 1.49) :
– Un réseau de neurones acquiert la connaissance par l’apprentissage,
– La connaissance d’un réseau de neurones est stockée dans des forces de connexion
inter-neuronales connues sous le nom de poids synaptiques.
Fig. 1.49 – Structure d’un réseau de neurones artificiel.
Le réseau de neurones apprend comment faire l’association entre un ensemble d’en-

trées et un ensemble correspondant de sorties désirées en utilisant la série de données
historique. Le but est que le réseau de neurones soit utilisé pour prendre des entrées
dans un nouvel ensemble et pour produire une sortie utile quand la sortie désirée
est inconnue.
Les réseaux de neurones présentent deux avantages fondamentaux :
1. Capacité à représenter n’importe quelle fonction, linéaire ou pas, simple ou
complexe. Les réseaux de neurones sont ce qu’on appelle en mathématiques
des approximateurs universels (théorème de Kolmogorov, 1957).
2. Faculté d’apprentissage à partir d’exemples représentatifs, par rétropropaga-
tion des erreurs [AO99, Bug98, EK01].
Le réseau de neurones fournit des réponses, mais pas des explications. En effet,
l’apprentissage analyse les corrélations (associations intuitives) et non pas les causes
et les conséquences (explications). L’examen d’un réseau de neurones ne livre que des
coefficients dépourvus de signification par eux-mêmes. Il s’agit d’une boı̂te noire.
Les réseaux de neurones sont à l’origine une tentative de modélisation mathématique
du cerveau humain. Les premiers travaux datent de 1943.
L’idée principale des réseaux de neurones modernes est la suivante : On se donne
50
1.7. MÉTHODES NON-DÉTERMINISTES
une unité simple, un neurone, qui est capable de réaliser quelques calculs élémen-
taires. On relie ensuite entre elles un nombre important de ces unités et on essaye de
déterminer la puissance de calcul du réseau ainsi obtenu. Il est important de noter
que ces neurones manipulent des données numériques et non pas symboliques.
Les méthodes hybrides sont de plus en plus utilisées pour les problèmes com-
plexes d’optimisation rencontrés dans l’industrie telle que la variabilité d’un procédé
ou d’un processus. L’idée essentielle de cette hybridation consiste à exploiter pleine-
ment la puissance de recherche de chacune des méthodes recombinées. Par exemple
l’hybridation d’un algorithme évolutionniste avec des méthodes de voisinage [Hao99]
ou l’utilisation de la méthode de gradient en partant d’un grand nombre de points
choisis aléatoirement. On peut ainsi espérer déterminer au fur et à mesure tous les
optimums locaux de la fonction.
Les techniques hybrides consistent à combiner plusieurs heuristiques ou méta
heuristiques pour leurs avantages et leurs facultés à résoudre les problèmes [Ren95].
Malgré ces inadéquations entre certains algorithmes utilisés et parfois un temps
de calcul qui peut devenir très long, les méthodes hybrides resteront sans doute
parmi les méthodes les plus puissantes d’optimisation.
Parce que l’optimisation des procédés reste un problème difficile à résoudre par les
méthodes classiques présentées ci-dessus, l’utilisation d’une méthode hybride apporte
une solution robuste aux ingénieurs. Dans le chapitre 2, il sera détaillé une méthode
hybride [?] développée dans le cadre de cette thèse. Cette nouvelle méthode combine
trois approches : les tolérances géométriques, la méthodologie de surface de réponse
et le calcul par intervalle, afin de rendre acceptable plusieurs produits ayant des
spécifications de qualité comprises entre des tolérances qui les mentiendront toujours
opérationnels.
Les méthodes d’optimisation présentées dans ce chapitre nous ont permis de
mettre en évidence les différentes lacunes existantes lors de l’optimisation des pro-
cédés de mise en forme telles que :
– les méthodes présentées ne sont pas paramétrables,
– l’absence d’une solution mathématique applicable à tous les problèmes,
– l’absence de modèle structuré pour la construction de la fonction objectif,
– l’absence d’une méthode capable d’identifier les paramètres opératoires sus-
ceptibles d’influencer un procédé de fabrication.
Les procédés industriels sont des procédés très complexes et leur modélisation
reste un problème difficile à maı̂triser par des méthodes traditionnelles. Le plus
souvent, l’étude d’un phénomène peut-être schématisée de la manière suivante : on
s’intéresse à une grandeur, Y que nous appellerons par la suite réponse qui dépend
51
d’un grand nombre de variables, x1 , x2 , . . . , xn , que nous nommerons par la suite

facteurs. La modélisation mathématique consiste à trouver une fonction f telle que
Y = f (x1 , x2 , . . . , xn ) (1.4)
Par les méthodes classiques on mesure la réponse Y pour plusieurs valeurs de la

variable xi tout en laissant fixe la valeur des autres variables. Mais le nombre très
grand d’expérimentations qui en résulte, fait qu’il n’est plus possible d’accepter un
tel choix. Il faut donc chercher une autre solution. L’utilisation de la méthodologie
des plans d’expériences constitue la meilleure stratégie dans le choix des méthodes
d’optimisation pour résoudre des problèmes industriels pour lesquels la variation des
caractéristiques des pièces fabriquées constitue une vrai problème. La méthodolo-
gie de plans d’expériences offre un outil spécifique pour l’optimisation des procédés,
par sa capacité d’adaptation aux phénomènes de type boı̂te noire. Le succès de
cette méthodologie expérimentale est lié au fait qu’elle propose une optimisation
efficace pour un nombre minimal d’expériences, ce qui induit une réduction de prix
importante. La nouveauté apportée par cette méthode, est qu’elle propose une ex-
périmentation factorielle, c’est-à-dire que tous les facteurs varient simultanément.
Plus de détails sur son application seront présentés dans le chapitre suivant.
1.8 Conclusions
Pour répondre à la première discipline évoquée dans cette thèse, la mathéma-
tique, dans ce premier chapitre nous avons présenté les méthodes les plus utilisées
pour le processus d’optimisation de procédé de mise en forme. Après avoir commencé
par une présentation des procédés de mise en forme et leurs limites - les défaillances,
nous avons fait un état des lieux des techniques d’optimisation qui ont visé l’amélio-
ration de ces défaillances. Suite à cette présentation nous avons pu remarquer que
selon leurs caractéristiques, les méthodes d’optimisation ont été classées en deux
grandes catégories : les méthodes déterministes et les méthodes non-déterministes.
Les méthodes déterministes ont à leur avantage un coût faible, mais elles né-
cessitent souvent un point de départ et la connaissance du gradient de la fonction
objectif pour résoudre le problème. Par contre, les méthodes non-déterministes ne
demandent rien de tout ça. Elles ont aussi une faiblesse, le nombre important de
calculs pour arriver à la solution optimale. Malgré cet inconvénient ces méthodes
présentent un grand avantage : la capacité à trouver l’optimum global du problème.
52
1.8. CONCLUSIONS
Mais la particularité des procédés à optimiser pour lesquels la variation des ca-
ractéristiques fonctionnelles est un vrai problème, nous a amené à choisir parmi ces
méthodes, la méthodologie des plans d’expériences, qui est la plus adaptée à notre
problématique, par sa capacité à modéliser des problèmes de type boı̂te noire ainsi
que par le petit nombre des expériences qu’elle nécessite. Ce choix n’exclut pas l’uti-
lisation d’autres méthodes d’optimisation, parce qu’il y a des cas où nous sommes
obligés de faire appel à celles-ci.
53
54
Chapitre 2
Stratégies d’optimisation par plans

d’expériences numériques.
La méthodologie des plans d’expériences sera présentée dans ce chapitre ainsi

que les nouvelles stratégies développées à l’aide de cette technique. La technique de
screening est traitée ici par l’introduction aux plans factoriels, complets et fraction-
naires. A l’aide de cette technique le nombre de facteurs supposés influents pour un
procédé sera fortement diminué et les facteurs ayant peu d’influence seront éliminés.
Par la suite, est présentée la méthodologie de la surface de réponse, avec les plans
composites centrés qui sont largement utilisés dans le processus d’optimisation des
phénomènes complexes et non-linéaires. La modélisation par surface de réponse des
caractéristiques de qualité (réponses) d’un système nous aidera à diminuer le temps
du calcul nécessaire au processus d’optimisation sans avoir à faire appel à cette
méthode. Cette approche nous permet de définir la fonction objectif nécessaire au
processus d’optimisation. Vu le manque d’informations qui existait dans la littéra-
ture, concernant l’utilisation des plans d’expériences numériques afin de déterminer
le caractère non-linéaire d’un modèle, nous avons mis au point une technique nou-
velle qui sera présentée dans ce chapitre. L’optimisation globale étant une manière
plus efficace pour les entreprises d’optimiser plusieurs réponses simultanément, nous
avons utilisé la technique de Ch’ng [Ch’05] pour les aider à atteindre cet objectif.
Les bases théoriques de cette approche seront également présentées. Enfin la dernière
partie de ce chapitre est consacrée à la présentation d’une méthode hybride originale
développée dans le cadre de ce travail qui permet d’utiliser trois approches simul-
tanément : méthodologie de surfaces de réponse, calcul par intervalles et tolérances
mécaniques afin d’obtenir ce qu’on a appelé Surface de Réponse par Intervalle. La
validation de ces nouvelles méthodes sera faite au dernier chapitre de ce mémoire
par des applications à l’optimisation des procédés de mise en forme.
55
56
2.1. LA MÉTHODOLOGIE DES PLANS D’EXPÉRIENCES
2.1 La méthodologie des plans d’expériences
2.1.1 Historique
La Méthodologie des Plans d’Expériences (M P E) est une méthode qui a été
initiée dans les années 20 par Sir R. A. Fisher (statisticien anglais - 1925). Les
premiers utilisateurs de cette méthode furent les agronomes qui ont vite compris
l’intérêt des plans d’expériences. Vers les années soixante, grâce aux travaux de
Taguchi, les plans d’expériences sont utilisés au Japon dans l’industrie pour améliorer
la variabilité des procédés. Après le Japon les plans d’expériences sont utilisés aux
États Unis dans les années 80 et en Europe dans les années 90.
La M P E peut s’appliquer à tous les phénomènes type boı̂te noire (Figure 2.1)
où l’on cherche à optimiser les données de sortie (les réponses) en réglant les données
d’entrée (les facteurs). Les données d’entrée sont connues dans la littérature comme
étant des facteurs qui peuvent être contrôlés, mais il existe parfois des facteurs qui
ne peuvent pas l’être, par conséquent ils ont reçu l’appellation de facteurs bruits.
F A C T E U R S B R U IT S
Z1 Z2 ... Zk
FACTEURS Y – R EPO N SE
S ortie m esurée
CONTROLEES
PRO CESSUS reliée à la
Q U A L IT E
X1 X2 ... Xn
Fig. 2.1 – La boı̂te noire du processus
Les objectifs des plans d’expériences sont de :

– diminuer le nombre d’essais (ou de calculs),
– connaı̂tre les effets des paramètres,
– déduire les paramètres influents,
– évaluer les interactions entre paramètres,
– avoir une meilleure précision sur les résultats,
– établir une modélisation mathématique de la réponse.
Le terme plans d’expériences vient de l’anglais Design of Experiments qui se
traduit par planification des expériences. En fait la méthode englobe aussi bien
la définition de la séquence d’essais à réaliser pour étudier un problème donné que
l’analyse statistique des résultats de ces essais.
57
CHAPITRE 2. STRATÉGIES D’OPTIMISATION PAR PLANS D’EXPÉRIENCES NUMÉRIQUES.
Comme nous l’avons rappelé ci-dessus, les plans d’expériences peuvent être utili-
sés pour étudier des phénomènes complexes souvent non linéaires, afin de comprendre
leur fonctionnement et d’optimiser leurs performances [Ben94b]. D’une manière gé-
nérale cette technique est expérimentale et les réponses sont obtenues à partir d’essais
(ou calculs numériques simulant les essais). La méthode des plans d’expériences per-
met d’obtenir une maximum d’informations concernant l’influence des paramètres
opératoires sur un processus ou un système [Sch98], ainsi que la meilleure précision
possible sur la modélisation des résultats [Gou99]. Notre choix pour cette technique
est justifié parce que la M P E nous propose un nombre minimum d’essais, ce qui
réduit le coût des expérimentations lors de la conception de nouveaux produits.
2.1.2 Expérimentations
Une expérimentation est une évaluation ou une série d’évaluations permettant
d’explorer, de définir et de construire des données (résultats d’essais) pour modéliser
ou prévoir le comportement d’un système ou d’un procédé [Fow98].
Classiquement, les expériences dans la M P E sont des expériences réelles pour
lesquelles la modification des conditions expérimentales correspond à des variations
plus ou moins importantes sur la réponse à étudier. Les réponses expérimentales
sont soumises à des erreurs expérimentales et aux erreurs de mesure.
Les simulations numériques permettent de modéliser des phénomènes complexes,
de mieux les comprendre et de procéder à des expérimentations par voie numérique
en modifiant certains de leurs paramètres. Cette technique met en oeuvre des mo-
dèles théoriques qui sont les clones de phénomènes réels, souvent très difficiles à
modéliser. Si leur utilisation est généralement plus économique et plus souple que
les expériences réelles, des validations expérimentales sont toujours nécessaires pour
garantir leur pertinence.
Malgré cet avantage économique, les simulations numériques sont des essais qui
ne peuvent pas être répétés, parce que la variabilité naturelle des réponses n’est plus
présente. Chaque réponse correspondant à un essai, est obtenue à partir d’une seule
simulation numérique. Par contre il existe aussi de nombreuses sources de variations
présentes lors de l’initialisation et du déroulement des processus d’expérimentation
numérique.
Indépendamment de la M P E, parmi les sources de variations on peut citer :
– précision des données d’entrée, compréhension du phénomène à modéliser,
– les possibilités réelles des logiciels utilisés pour la modélisation,
– degré de simplification adopté pour le modèle proposé,
58
– caractéristiques du maillage du modèle,

– capacité de l’ordinateur, etc.
De plus il faut tenir compte aussi des inconvénients liés à la M P E :
– type de plan utilisé,

– type de modélisation utilisée, etc.
2.1.3 Modélisation de la réponse
Lorsqu’on réalise une étude expérimentale (ou des simulations numériques), d’un
phénomène ou d’un procédé, on la caractérise par des réponses dont on suit les varia-
tions de en fonction divers paramètres (facteurs) influents. Généralement, l’illustra-
tion des résultats est donnée par la représentation graphique de la réponse (surface
de réponse) en fonction de deux paramètres (on est limité à l’espace en trois dimen-
sions).
Si on considère une réponse théorique Yth , dépendant de n paramètres (facteurs)

x1 , x2 , ..., xn on peut écrire :
Yth = F (x1 , x2 , · · ·, xn ) (2.1)
Mais la réponse théorique est diffèrente de la réponse obtenue par voie expérimentale
ou numérique Yexp à cause des erreurs expérimentales (ou numériques) inhérentes.
L’expression précédente devient :
Yexp = Yth + ε = F (x1 , x2 , · · ·, xn ) + ε (2.2)
D’une manière générale pour la modélisation d’un système n’ayant que deux va-
riables, on peut écrire le modèle comme suit :
Y = β0 + β1 · x1 + β2 · x2 + β3 · x3 (2.3)
Ce modèle explique la variation de la réponse Y en fonction des deux variables

considérées x1 , x2 , en supposant que la relation est linéaire. Cette hypothèse nous
amène à utiliser la régression linéaire [Dea00, Mon01] pour obtenir les coefficients du
modèle dont la représentation géométrique est un plan de régression (Figure 2.2).
59
Fig. 2.2 – Plan de régression pour deux variables.
Le plan est ajusté selon le principe des moindres carrés où les sommes des carrés
des erreurs d’estimation de la variable dépendante sont minimisées (Figure 2.2). S’il
y a plus de deux variables, on peut étendre la méthode en ajoutant les variables et
leurs paramètres :
Y = β0 + β1 · x1 + β2 · x2 + ..... + βp · xp (2.4)
Cette équation est celle d’un hyperplan à p dimensions. Les paramètres βi sont les
pentes de l’hyperplan dans les dimensions considérées, et sont appelés coefficients
de régression.
2.1.4 Intérêt du codage des variables

L’intérêt du codage de variables, tient à l’homogénéité de l’équation polynomiale
(modèle) que l’on établit pour la représentation mathématique de la réponse. D’une
manière générale on peut affirmer que les paramètres ou les variables d’origine pour
un modèle donné, notés Pk , n’ont pas nécessairement les mêmes dimensions ce qui
rend difficile la comparaison de leurs coefficients. Dans le cas où les variables sont
codées, toutes varient entre les mêmes valeurs minimales et maximales (respective-
ment −1 et +1 notation largement acceptée quand il y a deux niveaux par facteur)
elles n’ont plus de dimension, et les coefficients βi ont tous alors la dimension de la
réponse.
D’après Goupy [Gou99], lorsque l’on attribue la valeur −1 au niveau bas et la
60
valeur +1 au niveau haut, on effectue deux modifications importantes :

– on change l’unité de mesure,
– on déplace l’origine des mesures.
Ces deux modifications entraı̂nent l’introduction de nouvelles variables que l’on
appelle variables centrées réduites ou variables codées (centrées pour indiquer le
changement d’origine et réduites pour signaler la nouvelle unité).
Le passage des variables d’origine Pk aux variables centrées réduites xk et inver-
sement, est donné par la relation suivante [Dro97] :
Pk − Pko
xk = (2.5)
∆Pk
avec :
– xk - la valeur de la variable codée k ;
– Pk - la valeur de la variable naturelle k ;
– Pko - la valeur de la variable naturelle k au centre du domaine d’étude.
– ∆Pk est appelé pas de variation et il mesure la variation de la variable réelle
k associée à une variation d’une unité de la variable codée correspondante.
Les variables xk sont appelées variables centrées réduites et elles sont utilisées pour
faciliter les comparaisons et l’étude des variations. En travaillant avec ces variables
codées, nous pouvons comparer directement leurs différents effets sans tenir compte
de leurs unités.
2.1.5 Principales composantes de la méthodologie des plans

d’expériences
La M P E est une approche visant tous les phénomènes de type boı̂te noire pour
lesquelles on cherche les valeurs optimales des données d’entrée - les facteurs, qui
permettent une meilleure maı̂trise des données de sortie - les réponses. Les deux
principales composantes de la M P E qui nous intéressent dans ce rapport sont :
– la technique de criblage (ou de screening - appellation anglo-saxonne)
L’analyse d’un système ou d’un processus commence toujours par une identifi-
cation de toutes les causes susceptibles d’influencer d’une manière significative
le bon déroulement du processus. Parmi les facteurs recensés par l’expérimenta-
teur, la technique de criblage permet de déterminer ceux qui ont une influence
statistiquement non négligeable sur la variation de la réponse. Cet outil nous
permet aussi une simplification du problème (appelée aussi debroussaillage).
La question pour laquelle il faut trouver une réponse en utilisant cette tech-
61
nique est :
Pourquoi la réponse varie et surtout en fonction de quels facteurs ?
– la méthodologie des surfaces de réponse Dans le processus d’optimisa-

tion on cherche à améliorer le comportement d’un système ou d’un processus,
dans un domaine expérimental bien défini, influencé par une ou plusieurs va-
riables. La méthodologie de surface de réponse permet de trouver d’une façon
empirique mais économique le lien qui existe entre les paramètres (les facteurs)
d’un processus ou d’un système et les caractéristiques de qualité (les réponses)
recherchées par l’expérimentateur.
D’une manière générale on peut rappeler que les objectifs de la MPE sont mul-
tiples, en présente ici quelques uns ainsi que les plans d’expériences concernés :
– diminuer le nombre d’essais (réels ou simulations numériques)
– étudier un nombre très grand de facteurs (plans fractionnaires)
– détecter les facteurs influents (plans de criblage)
– détecter les interactions entre les facteurs (confusion ou alias)
– rechercher l’optimum (nominal ou extrêmum)
– réduire la variabilité ou d’étudier la robustesse d’un processus (plans produits)
– obtenir la meilleure précision sur le résultat (réponse)
– modéliser et optimiser les résultats ou les réponses (plans pour surface de
réponse)
2.1.6 Technique du screening

Comme nous l’avons dit auparavant la technique du screening [Seo03] permet
de déterminer, parmi un ensemble initial de facteurs, les éléments influents d’un
processus. Il s’agit donc d’un procédé de sélection ou de criblage [Ben94b, Sch98].
A l’aide de cette technique, on réalise la comparaison entre les variations de la
réponse engendrées par deux sources différentes :
1. les variations des facteurs étudiés ;
2. les variations de grandeurs considérées comme n’ayant pas d’effet sur la réponse
(facteurs bruit).
Un facteur est jugé influent (ou déterminant) si son action sur la réponse étudiée
est statistiquement supérieure à un certain niveau, fixé par l’expérimentateur. Il
s’agit en fait de l’analyse de la variance, présentée plus précisément au cours de ce
chapitre. D’une façon plus large, cette analyse permet de détecter et de hiérarchiser
les influences des paramètres d’un modèle [Ben94b].
62
La technique du screening, [Mat40] permet d’avancer dans la compréhension de

tout procédé parce qu’elle nous permet la détection des facteurs qui ont ou non, une
influence significative pour le procédé étudié. Elle constitue une étape importante
avant toute analyse plus fine, pouvant être notamment assurée par la Méthodologie
des Surfaces de Réponses (M SR - Voir paragraphe 2.1.7 ). Durant cette analyse,
l’expérimentateur a tout intérêt à tester l’influence d’un grand nombre de facteurs,
même s’il suppose la présence de paramètres non influents.
Inconvénient :
– dans cette approche, les facteurs qui, séparément, n’ont aucun effet, sont élimi-
nés à l’étape du criblage. Or ils peuvent avoir un effet lorsqu’ils sont couplés.
La technique de screening ou criblage est une étape décisive dans le déroulement
de l’étude d’un système et elle doit répondre aux exigences suivantes [Mat40] :
– être la plus rapide possible ;
– mettre en évidence le sous-ensemble de facteurs qui semblent avoir une in-
fluence prépondérante sur les propriétés recherchées (réponses) ;
– permettre de choisir le ou les niveaux les plus favorables de certains facteurs,
ou d’éliminer du domaine d’étude les niveaux sans intérêt, etc..
Le modèle mathématique utilisé dans toute étude de criblage est donc un modèle
polynomial du premier degré et il peut être représenté par l’équation (2.6) :
n
X
Y = β0 + βi xi + ε (2.6)
i=1
Généralement pour l’étude de screening [Mat40] on utilise des plans factoriels

complets tant que le nombre de facteurs n’est pas très grand, mais il est toujours
possible d’utiliser le plan le mieux adapté à la problématique étudiée. Ces plans ont
été largement exploités [Dea00, Mon01, Pil97] et sont très faciles à utiliser. Parce
qu’on a rarement les moyens de réaliser des plans complets (coût élevé des essais
et aussi du temps de réalisation), on peut utiliser des fractions des plans complets
appelés aussi plans fractionnaires. Mais le fractionnement d’un plan complet entraı̂ne
une confusion des effets ou alias entre les facteurs qui n’est pas identifiable, leurs
effets étant soit estimables indépendamment soit complètement confondus [Dro97].
L’orthogonalité est une propriété qui confère aux plans d’expériences des pro-
priétés remarquables (un meilleur modèle de régression, une meilleure précision sur
les coefficients, etc.). On considère qu’une matrice d’expérience X est dite ortho-
gonale si sa matrice de dispersion (X T X)−1 est diagonale. Il existe aussi le critère
d’orthogonalité d’Hadamard pour les matrices qui satisfont la relation (2.7) et qui
portent son nom. Dans cette équation In représente la matrice identité d’ordre n.
63
Ces matrices sont très populaires dans le milieu de l’expérimentation et elles peuvent
être reconnues aussi sous l’appellation des matrices de Plackett et Burman ou tables
de Taguchi [Gou99].
X T X = In (2.7)
Ficher et Yates ont montré qu’une matrice orthogonale conduit à l’indépendance

des estimations des coefficients du modèle. Hadamard a démontré que pour obtenir
en n expériences une variance minimale, les matrices d’informations devront satis-
faire à la relation 2.7. [Dro97]. Pour calculer les effets d’un facteur indépendamment
des autres facteurs la propriété d’orthogonalité est une condition nécessaire [Ale95].
2.1.7 La Méthodologie des Surfaces de Réponse

L’optimisation de procédé cherche à trouver l’ensemble des conditions de fonc-
tionnement pour les variables du procédé qui ont comme conséquence la meilleure
performance du processus. La Méthodologie des Surfaces de Réponse (M SR)
[Bye03, Gua01, Noo03, Onu03] est une collection de stratégies expérimentales de
méthodes mathématiques et statistiques qui permet à un expérimentateur de choisir
la meilleure des combinaisons des niveaux des paramètres qui optimise un proces-
sus. La M SR est une approche d’optimisation développée au début des années 50
par Box et Wilson [Box51]. De nombreux chercheurs ont contribué à enrichir cette
méthode [Cor90, Que04, Mon01] et elle a été introduite en Europe vers les années
1988 - 1990.
L’objectif d’une telle méthodologie est de :
– déterminer les conditions de fonctionnement optimales pour un système ou un
processus,
– déterminer une région de l’espace des facteurs dans laquelle des caractéristiques
de fonctionnement (les réponses) sont satisfaites,
– modéliser et analyser un processus pour lequel la réponse est influencée par
plusieurs variables,
– établir un rapport (équation de la surface de réponse) entre la réponse et les
variables indépendantes qui est dans la plupart des cas inconnu.
Cette technique, issue des techniques de plans d’expériences, vise à déterminer d’une
façon quantitative les variations de la fonction réponse vis-à vis des facteurs d’in-
fluence significative d’un certain processus ou système. À l’origine, la M SR a été
développée pour modéliser des réponses expérimentales [Box87, Gou99], puis, pour
modéliser des expériences numériques (peu développé) vers les années 1995. Mais à
64
cause d’un développement rapide du marché et d’une concurrence importante, ces

dernières années les chercheurs ont commencé à utiliser de plus en plus les expé-
riences numériques [All00, Bur04, Koe96, Sac89a, Sac89b, Tro03] pour une bonne et
simple raison : c’est bien moins cher par rapport aux expérimentations réelles.
La M SR est basée sur une relation d’approximation entre la réponse mesurée
y et n variables aléatoires (les facteurs étudiés) en utilisant les données observées
d’un processus ou d’un système. La réponse est généralement obtenue par des essais
réels ou des simulations numériques. Dans la plupart des cas, la fonction Y qui est
une approximation de la réponse mesurée y, est un modèle polynomial du premier
ou deuxième degré. Généralement le modèle est donné par :
p p p
X X X
Y = β0 + βj xj + βjj x2j + βij xi xj (2.8)
j=1 j=1 i<j
Ce modèle est appelé surface de réponse (Figure 2.3) et il est très classique pour
décrire des phénomènes physiques. Afin de prévoir plus exactement la réponse, un
Fig. 2.3 – Surface de Réponse.
modèle de second ordre est utilisé pour chercher le caractère non linéaire du phéno-
mène étudié. De même la fonction Y d’approximation, peut-être écrite sous la forme
matricielle comme suit :
Y =X ·β+ε (2.9)
Dans la relation ci dessus X est la matrice de calcul des effets ou la matrice d’expé-
riences, le vecteur β est le vecteur des coefficients du modèle qui contient seulement
les coefficients du modèle qui ne sont pas connus, mais qui sont déterminés généra-
lement en minimisant la somme des carrés des résidus ε.
65
2.1.7.1 Régression multilinéaire
L’objectif de la régression multilinéaire est de trouver un ensemble de coefficients

qui résout le mieux possible le système d’équations ci dessus (équation 2.9). Si on fait
l’hypothèse de moindres carrés [Dea00, Mon01], on cherche le jeu de coefficients qui
minimise la somme des carrés des écarts. Sous la forme matricielle on peut écrire :
εt · ε (2.10)
La somme sera minimale, par rapport aux coefficients si :
∂εt · ε
=0 (2.11)
∂β
En utilisant la méthode de moindres carrés la solution est donnée par :
β̂ = (X t · X)−1 · X t · Y (2.12)
Cette relation est fondamentale pour la compréhension de l’hypothèse des moindres

carrés. Le jeu de coefficients ainsi obtenu, appelé aussi coefficients de régression, est
utilisé par la suite pour obtenir les réponses dans tout le domaine d’étude.
Ŷ = X · β̂ (2.13)
2.1.7.2 Recherche globale de l’ajustement du modèle
Si on reprend l’équation 2.9 on peut écrire que
Y = Ŷ + ε = X · β̂ + ε (2.14)
On peut démontrer aussi que la somme des carrés des réponses mesurées est égale
à la somme des carrés de réponses prédites augmentée de la somme des carrés des
résidus, soit :
Y t · Y = β̂ t · X t · X · β̂ + εt · ε (2.15)
L’équation 2.15 s’appelle l’équation de l’analyse de la variance et elle représente

la synthèse de l’analyse statistique.
– la somme des carrés des réponses mesurées ou la Somme des Carrés Totaux
(SCT )
– la somme des carrés de réponses prédites ou la Somme des Carrés due à la
66
Régression (SCR).
– la Somme des Carrés des résidus ou due à l’Erreur (SCE).
Pour évaluer le degré d’explication du modèle par rapport aux réponses mesurées,
on établit le rapport R2 .
SCR
R2 = (2.16)
SCT
Ce rapport s’appelle coefficient de corrélation multiple, ou coefficient de

détermination, il nous donne une indication sur la qualité de l’ajustement. En
fait, il représente le rapport entre la variance expliquée par le modèle ou due à la
régression (SCR) et la variance totale (SCT ). Il nous donne des informations sur
l’existence d’une relation linéaire entre les variables considérées.
Le rapport R2 (équation 2.16) varie entre 0 et 1. S’il vaut zéro c’est que le
modèle n’explique rien. S’il vaut 1 c’est que le modèle explique toutes les réponses
mesurées. Ce rapport (R2 ) n’est pas une garantie absolue de la qualité du modèle.
Un coefficient de corrélation nul ne signifie pas l’absence de toute relation entre
les variables considérées. Il peut exister une relation non-linéaire. Cependant dans le
contexte de la régression multiple, cela pose le problème de la sur-paramétrisation du
modèle. Plus on ajoute de variables explicatives (les facteurs), plus le R2 augmente,
même si les nouvelles variables explicatives sont très reliées à la variable dépendante
(la réponse). Tout dépend du nombre de résultats et du modèle choisi. Pour éviter
ce phénomène, on calcule le coefficient R2 ajusté.
2.1.7.3 Le R2 ajusté
Par définition, ce coefficient R2 ajusté - RA

2
est donné par la relation [Gou99] :
SCE/
2 (N − p − 1)
RA =1− (2.17)
SCT/
(N − 1)
où :
– p est le nombre de facteurs
– N correspond au nombre total de simulations du plan d’ expériences.
2.1.7.4 Stratégie de sélection du meilleur sous-modèle
Lorsque le nombre de facteurs est grand, il n’est pas raisonnable d’explorer tous
les modèles possibles afin de sélectionner le meilleur. Différentes stratégies sont donc
proposées qui doivent être choisies en fonction de l’objectif recherché et des moyens
67
de calcul disponibles. Trois types d’algorithmes utilisés souvent dans la littérature

[Bes03, Gou99] sont résumés ci-dessous :
1. Pas à pas pour lequel il y a trois modalités :

– Sélection (forward)
– Élimination (backward)
– Mixte (stepwise)
2. Par échange pour lequel il y a deux modalités :

– Maximisation de R2
– Minimisation de R2
3. Global
– L’algorithme de Furnival et Wilson
2.1.7.5 Plans Composite Centraux
Introduction
Les Plans Composites Centraux [Dea00, Gou99, Mon01] sont un bon complément
des plans orthogonaux, de par leurs propriétés statistiques, mais aussi parce qu’ils
sont meilleurs que les plans orthogonaux pour certains problèmes. Ils sont dévelop-
pés, en particulier, dans la Méthodologie des Surfaces de Réponse, et ils permettent
l’étude d’un modèle quadratique, dans la plupart des cas des phénomènes non li-
néaires. Tous les facteurs pour lesquels on souhaite tester l’influence quadratique
auront 5 niveaux. Les plans composites centraux sont constitués de trois parties, ce
qui permet une démarche séquentielle [Ben94b] :
1. Le point au centre du domaine expérimental (Figure 2.4), usuellement noté

par 0 répété plusieurs (n0 ) fois pour estimer la variance de répétabilité.
2. Un plan orthogonal en NF essais, qui est le plus souvent un plan factoriel ou

un plan de Box-Hunter, et qui combine des facteurs à 2 niveaux usuellement
notés +1 et -1.
3. Les points en étoile (Figure 2.4). Ces points représentent 2 essais par facteur,
usuellement notés + δ et - δ.
68
Fig. 2.4 – Plan composite centré pour 3 facteurs.
Le domaine de variation des facteurs est ramené à [-δ ; +δ ]. Ainsi, un facteur variant
dans l’intervalle [Min ; Max] sera découpé en 5 niveaux : -δ, -1, 0, +1, +δ calculés
selon le tableau 2.1.
Niveau Valeurs réelles
-δ Min
M in+M ax 1 M in+M ax

-1 2
− δ
M ax − 2
M in+M ax
0 2
M in+M ax 1 M in+M ax

1 2
+ δ
M ax − 2
+δ Max
Tab. 2.1 – Calcul des niveaux des facteurs
Le paramètre δ est supérieur à 1 et est calculé grâce à la formule :

p
4
δ= NF (2.18)
où :
– NF est nombre d’essais du plan orthogonal
Le nombre total des essais N peut être calculé grâce à la formule :
N = NF + Nδ + n0 = 2k + 2 · k + n0 (2.19)
où :
– NF = 2k est le nombre des essais pour le plan factoriel 2k (Figure 2.4 - les
points en rouge)
– Nδ = 2k est le nombre des essais appelé en étoile (Figure 2.4)
69
– n0 est le nombre des essais au centre du domaine pour estimer la variance de

répétabilité. (Figure 2.4 - le point en bleu ou le point central)
Propriétés des plans composites centrés
La qualité d’un modèle dépend de la matrice de dispersion (X T X)−1 , donc des

éléments de la matrice d’information (X T X), et par conséquent de la structure de
la matrice d’expériences et de la forme analytique du modèle. Il est donc nécessaire
de classer les matrices d’expériences de bonne qualité, qui, si le modèle postulé re-
présente bien le phénomène étudié, nous permettra de connaı̂tre en n’importe quel
point du domaine expérimental d’intérêt la valeur de la réponse. Il existe plusieurs
critères de qualité mais dans ce rapport on ne présente que les propriétés d’isova-
riance par rotation et presque orthogonalité qui confèrent aux plans d’expériences
par surfaces de réponse une meilleure qualité de la modélisation.
Un plan d’expériences remplit la propriété d’isovariance par rotation si la variance
des réponses prédites est la même en tous les points du domaine d’étude [Dea00]. La
propriété d’isovariance par rotation est une condition nécessaire à l’obtention d’une
précision uniforme. La propriété d’isovariance par rotation pour un plan composite
centré est remplie si la distance entre les points en étoile (Figure 2.4) satisfait la
condition :
δ = (2k )1/4 (2.20)
où : k est le nombre de facteurs étudiés.

A la place de l’isovariance par rotation, on peut respecter le critère d’ortho-
gonalité. Pour cela il faudrait une disposition des points qui entraı̂ne une matrice
d’information (X T X) diagonale. Mais cela n’est pas possible car on ne peut pas an-
nuler les éléments correspondant aux termes constants et aux termes carrés qui sont
diffèrents de zéro et ne se retrouvent pas sur la diagonale de la matrice d’information.
Pour cela il faut donc envisager un autre critère, celui de la presque orthogonalité.
Pour aboutir à ce critère il faut que la sous-matrice, obtenue en éliminant la pre-
mière ligne et la première colonne de l’inverse de la matrice d’information (X T X),
soit diagonale. On peut démontrer [Gou99] que cela est possible si :
p p 2 ! 14
NF N− NF
δ= (2.21)
4
70
2.2. TECHNIQUE POUR LA VÉRIFICATION DE L’EFFET QUADRATIQUE POUR LES PLANS D’EXPÉRIENCES NUMÉRIQUES.
Le nombre de points des plans factoriels et de points en étoile est, en général

défini par l’expérimentateur avant les essais. La valeur de δ est donc fonction du
nombre des points au centre n0 . Le tableau 2.2 permet de choisir ce nombre et la
valeur de δ pour respecter le critère de presque orthogonalité [Dro97] .
Valeur de Nombre de facteurs

n0 1 2 3 4 5 6 7
n0 = 1 1 1,215 1,414 1,547 1,596 1,724 1,761
n0 = 2 1,078 1,287 1,483 1,607 1,662 1,784 1,824
n0 = 3 1,147 1,353 1,547 1,664 1,724 1,841 1,885
n0 = 4 1,21 1,414 1,607 1,719 1,784 1,896 1,943
Tab. 2.2 – Valeurs de δ fonction du nombre de points au centre du domaine.
2.2 Technique pour la vérification de l’effet qua-

dratique pour les plans d’expériences numé-
riques.
2.2.1 Introduction
Avant de commencer la présentation de la nouvelle approche nous allons essayer
de répondre à la question suivante :
Quelle est l’utilité des points au centre du domaine d’étude ?
Parce qu’un plan composite centré n’est pas orthogonal (l’inverse de la matrice d’in-
formation ou matrice de dispersion n’est pas diagonale - voir la propriété d’ortho-
gonalité) et ne peut jamais l’être [Ben94b], en augmentant le nombre de répétitions
des essais au centre du domaine on tend vers l’orthogonalité. Les points au centre
du domaine d’étude changent les propriétés des plans utilisés et nous apportent
aussi des informations supplémentaires sur le modèle utilisé. Lorsque le nombre de
points centraux augmente, on obtient une zone dans laquelle l’erreur de prédiction
est uniforme [Gou99] et par conséquent la qualité de la modélisation croı̂t. Les es-
sais au centre du domaine d’étude sont des essais répétés plusieurs fois dans les
mêmes conditions afin d’estimer la variance de répétabilité. Dans le cas où les ex-
périences sont des simulations numériques ces informations sont d’un réel intérêt.
Malgré leur grand avantage économique, les simulations numériques sont des essais
71
pour lesquelles la variabilité naturelle des réponses n’est plus présente. Pour ce type
d’essais il n’y a pas de différences entre deux essais réalisés dans les mêmes condi-
tions. Du point de vue numérique deux essais répétés dans les mêmes conditions ont
toujours des résultats identiques. A partir de cette observation nous avons mis au
point une méthodologie [Lep04a] qui permet d’étudier la variabilité pour le cas où
les essais sont des simulations numériques. Cette nouvelle approche sera détaillée
par la suite dans ce chapitre et elle sera validée par une application au procédé de
pliage pour réduire le retour élastique (chapitre 5). Cette méthodologie comble un
vide qui existe pour les utilisateurs des plans d’expériences numériques. La méthode
propose l’optimisation du procédé de pliage à l’aide d’un plan composite centré en
deux situations : plan composite avec un seul point au centre et plan composite avec
plusieurs points au centre. Les points au centre du domaine d’étude sont un outil
nécessaire pour obtenir une information sur la présence ou non d’un effet quadra-
tique pour un modèle postulé. Ces points sont utilisés aussi pour estimer l’erreur
expérimentale et particulièrement pour chercher si le modèle proposé est adéquat.
Par exemple pour un plan composite centré afin d’obtenir une variance uniforme sur
la modélisation il faut ajouter 3 à 5 points centraux [Mon01].
2.2.2 Approche proposée
Au cours de nos recherches, utilisant des plans d’expériences numériques (moins

coûteux) [Cra99, Cra01, DeL00, Par01] nous nous sommes aperçus qu’il n’existe pas
une méthode pour étudier la variabilité au centre du domaine d’étude car les essais
ne sont que des simulations numériques. A partir du ce constat nous avons développé
une technique [Lep04a] qui peut nous apporter des informations sur la variabilité
au centre du domaine d’étude. La technique est basée sur la génération de points
peu décalés (Figure 2.5) par rapport au centre du domaine d’étude. Plusieurs
simulations nous ont permis de déterminer la distance maximale d’emplacement des
points (d1 = 0.046 · d - Figure 2.5) au-delà de la quelle on ne peut plus parler de
variabilité car on n’est plus au centre du domaine d’étude.
72
2.2. TECHNIQUE POUR LA VÉRIFICATION DE L’EFFET QUADRATIQUE POUR LES PLANS D’EXPÉRIENCES NUMÉRIQUES.
Facteur 1
-1 1
Facteur 2
d1
-1
d
Fig. 2.5 – Addition des points au centre du domaine
Ces points nous permettent d’estimer la variabilité au centre du domaine d’étude

et par conséquent de constater l’existence ou non d’effet quadratique pour le modèle
étudié (Équation 2.22).
k
X k
X k
X
Y = β0 + βj xj + βjj x2j + βij xi xj (2.22)
j=1 j=1 i<j
La relation qui permet le calcul de la somme de carrés pour déterminer l’effet

quadratique pour un seul degré de liberté associé à l’hypothèse non nulle (Equation
2.23), est donnée par l’équation 2.24 [Mon01] :
k
X
H1 : βjj 6= 0 (2.23)
j=1
NF · n0 (ȳF − ȳC )2
SSpure−quadratique = (2.24)
NF + n 0
où :
– SSpure−quadratique - somme de carrés pour l’effet quadratique pur,
– ȳF la moyenne des réponses pour les points du plan factoriel,
– ȳC la moyenne des réponses pour les points du centre du domaine.
La variance au centre du domaine d’étude (en anglais Mean Square Error M SE)
73
est obtenue par :
(yi − ȳ)2
P
SCE center−points
CM E = = (2.25)
n0 − 1 n0 − 1
où :
– CM E est le carré moyen associé au résidu ou la variance du résidu,
– SCE est la somme des carrés des résidus ou due à l’erreur.
La statistique de Fischer, qui permettra d’identifier l’effet quadratique par com-
paraison avec la valeur critique, est donnée par :
SSpure−quadratique
F = ≥ Fcritique (2.26)
CM E
Ftest = F(α,ν1 ,ν2 ) (2.27)
Si F ≥ Ftest ⇒ l’hypothèse H1 est acceptée

où : α est le risque d’acceptation de l’hypothèse H1 , ν1 et ν2 sont les degrés de liberté
du numérateur et respectivement du dénominateur de l’equation 2.26.
Pour vérifier l’effet quadratique du modèle on ajoute des points près du centre
du domaine d’étude, points qui seront placés à la même distance par rapport au
centre du domaine d’étude (Figure 2.5).
Pour un plan d’expériences, lorsque le nombre de points centraux augmente, la
qualité de la modélisation croı̂t et en plus ces points nous aident à :
– Obtenir le respect de certaines propriétés comme nous venons de le montrer,
– Obtenir une information sur la variabilité du phénomène,
– Diminuer les variations de l’erreur de prédiction dans le domaine d’étude,
– Tester l’effet quadratique ou la présence d’une courbure,
– Tester la validité du modèle.
2.3 L’optimisation multicritères

Typiquement, dans l’analyse des données industrielles il y a beaucoup de réponses
(variables) qui devront être étudiées en même temps. En plus, pour optimiser ces
réponses individuellement on peut rencontrer des contradictions pour les différents
niveaux de facteurs acceptables pour une réponse et non pour les autres. Le but de
l’optimisation multicritères est de minimiser au mieux les différents objectifs [Yan02].
74
2.3. L’OPTIMISATION MULTICRITÈRES
En effet, la solution que l’on obtient est une solution de compromis. Elle minimise
un certain nombre d’objectifs tout en dégradant les performances sur d’autres ob-
jectifs. Mais finalement la solution acceptée va assurer une satisfaction globale sur le
processus parce qu’elle répondra à plusieurs objectifs en même temps. Le but de ce
paragraphe est de vous présenter une méthode d’optimisation multicritères, qui sera
appliquée afin d’améliorer les performances du procédé d’extrusion (Voir Chapitre
5).
2.3.1 Méthode de Ch’ng
D’une façon générale, le coût de production est exprimé comme une somme
de la non qualité et du coût de fabrication. L’optimisation multicritères mesure la
sensibilité des réponses pour la qualité finale des produits.
Cette méthode propose pour chaque réponse Yj (x), j = 1, 2, . . . , p, une fonction
dj (Yj (x)) qui peut prendre des valeurs entre 0 et 1, valeurs qui mesurent la sensibilité
de la réponse et qui s’appelle fonction de désirabilité. Ici x signifie le vecteur des
facteurs ou des variables indépendantes xT = (x1 , x2 , . . . , xn ). Après avoir défini les
fonctions pour chaque réponse individuellement, une fonction objectif globale est
définie comme une moyenne géométrique des différentes désirabilités.
1
D (x) = d1 (Y1 (x)) · d2 (Y2 (x)) · · · · · dp (Yp (x)) p (2.28)
La fonction de désirabilité dj (Yj (x)) a été proposée originalement par Harrington

[Har65] de deux façons :
dj (Yj (x)) = eYj (x) (2.29)
dj (Yj (x)) = e−|Yj (x)| (2.30)
Puisque les transformations (2.29 ou 2.30) ne sont pas très flexibles dans le sens
où ces fonctions ne peuvent pas assumer une variété de formes, Derringer et Suich
[Der80] ont proposé deux autres fonctions :


 0 si Yj (x) ≤ Ymin j
 r
Y j −Ymin j
dj (Yj (x)) = Ymax j −Yj
si Ymin j ≤ Yj (x) ≤ Ymax j (2.31)


1 si Yj (x) ≥ Ymax j

75
Y s
j −Ymin j


 T −Y
si Ymin j ≤ Yj (x) ≤ Tj

 Y j−Y min j t
dj (Yj (x)) = j max j
Tj −Ymax j
si Tj ≤ Yj (x) ≤ Ymax j (2.32)

 h i
Yj (x) ∈

 0 si / Ymin j ; Ymax j
Dans les équations 2.31 et 2.32, r, s et t sont des variables définies par l’utilisateur
fonction de leur expérience permettant à celui-ci d’indiquer les limites de la fonction
de désirabilité autour de la valeur cible (Tj ) pour une réponse j.
Les quantités Yminj et Ymaxj représentent les limites de désirabilité pour la ré-
ponse j [Har65]. L’approche de la fonction de désirabilité repose en effet sur l’utili-
sation de la méthodologie de la surface de réponse pour la modélisation polynomiale
de chaque réponse Yj (x), par une substitution des polynômes dans les équations
2.31, 2.32, afin de faire encore une substitution par les désirabilités individuelles
dans l’équation 2.28. Finalement, il reste une seule fonction objectif pour chercher
la solution x, tout en maximisant la désirabilité totale D(x).
Comme il a été indiqué par Castillo, Montgomery et al [Cas96], l’existence de
points de discontinuité dans la fonction de désirabilité ne permet pas l’utilisation
des algorithmes à base de gradient pour l’optimisation. Ainsi, Castillo et al [Cas96]
ont proposé une fonction de désirabilité modifiée pour résoudre ce problème, de
telle sorte que l’algorithme généralisé du gradient réduit (Generalized Reduced Gra-
dient GRG) puisse être appliqué. Ils ont utilisé une fonction de désirabilité continue
par intervalles pour laquelle le point de discontinuité a été corrigé en utilisant un
polynôme quadratique de la forme :
f (Y ) = A + BY + CY 2 + DY 3 + EY 4 (2.33)
pour laquelle A, B, C, D et E sont des paramètres. Ils ont proposé cinq conditions
à satisfaire par l’équation 2.33. Plus de détails au sujet de cette méthode peuvent
être trouvés dans Castillo et al [Cas96].
L’approche proposée par Ch’ng [Ch’05] n’a aucun point de discontinuité dans la
fonction de désirabilité. Par ailleurs, cette approche permet l’utilisation de l’algo-
rithme GRG qui trouve les configurations optimales pour les p réponses.
Pour la methodologie de la surface de réponse l’utilisation des variables codées
(ou des variables centrées réduites) pour trouver le modèle de régression pour p
variables est une pratique courante. La relation la plus repandue pour la transfor-
mation des variables réelles en variable codées a été proposée par Khuri et Cornell
76
2.3. L’OPTIMISATION MULTICRITÈRES
[Khu87] :
2 · t − (u + l)
x= (2.34)
u−l
pour laquelle :
– u est la valeur supérieure pour t
– l est la valeur inférieure pour t
– t est la valeur cible étudiée avec l ≤ t ≤ u
– x est la valeur codée qui correspond à t.
L’approche par la fonction de désirabilité est l’une des méthodes les plus utilisées
dans l’industrie, pour traiter l’optimisation des procédés à réponses multiples. Dans
une démarche d’optimisation globale, nous proposons dans ce rapport l’application
de la technique de Ch’ng [Ch’05] afin d’optimiser plusieurs réponses simultanément.
La clef de la méthode consiste en l’addition de 1 dans la relation du changement de
variables réelles en variables codées. Cette modification donne la nouvelle forme de
la fonction de désirabilité :

∗ 2 · Y − (U SL + LSL) 2 −2LSL
d (Y ) = +1 = ·Y + (2.35)
U SL − LSL U SL − LSL U SL − LSL
pour laquelle :
– U SL est la valeur limite supérieure pour la réponse Y
– LSL est la valeur limite inférieure pour la réponse Y
– Y est la réponse ou une caractéristique de qualité avec LSL ≤ Y ≤ U SL
– d∗ (Y ) est la désirabilité proposée pour la fonction objectif avec 0 ≤ d∗ (Y ) ≤
U SL
La motivation de l’auteur [Ch’05] pour l’addition de 1 est de convertir la fonction
de désirabilité ou de s’assurer qu’elle n’est pas négative.
La fonction de désirabilité d∗ (Y ) proposée par cette méthode est utilisée pour
transformer la qualité de la réponse par une valeur de désirabilité souhaitée.
0 ≤ d∗ (Y ) ≤ 2 (2.36)
La désirabilité totale proposée par Ch’ng [Ch’05] est obtenue par une somme pondé-
rée avec les poids ei (degré d’importance) de chaque réponse individuelle.
p
P
ei · |di (Yi ) − di (Ti )|
i=1
Desirabilite T otale = (2.37)
p
77
Pour laquelle :
– di (Yi ) est la désirabilité individuelle pour la réponse Yi
– di (Ti ) est la désirabilité individuelle ciblée Ti pour chaque réponse
– ei est le degré d’importance pour chaque réponse individuelle, avec la relation :
p
X
ei = 1 (2.38)
i=1
L’utilisation de cette approche d’optimisation est conseillée pour des phénomènes

à caractère fortement non linéaire comme les procédés de fabrication. Son efficacité
sera prouvée dans le chapitre d’applications (Chapitre 5) afin d’optimiser plusieurs
réponses simultanément durant le processus d’extrusion.
Les avantages de l’utilisation de la technique de Ch’ng sont :
– par cette approximation la fonction de désirabilité n’a pas des points de dis-
continuité. Cette fonction est continue, donc différentiable.
– l’approximation polynomiale n’est pas exigée.
– de plus la méthode proposée permet l’utilisation de l’algorithme GRG pour
trouver l’optimum.
2.4 Approche hybride pour l’optimisation des pro-

cédés
2.4.1 Introduction
Dans un processus de fabrication, la qualité du produit final est sensiblement

affectée par des variables de conception de produits et de processus. Cependant, his-
toriquement la recherche sur les tolérances s’est principalement concentrée sur l’utili-
sation des tolérances basées sur des caractéristiques de conception de produits pour
chaque composant. Ce travail propose l’extension des pratiques de tolérancement
courantes, et présente une nouvelle méthode d’optimisation pour le tolérancement
des systèmes mécaniques en utilisant le calcul par intervalle pour la prévision de
la réponse du système. La méthodologie proposée est une approche hybride qui est
basée sur le développement et l’intégration de trois approches pour l’optimisation
de procédés : tolérancement mécanique, méthodologie des surfaces de réponse, et la
méthode de calcul par intervalle.
78
2.4. APPROCHE HYBRIDE POUR L’OPTIMISATION DES PROCÉDÉS
2.4.2 Tolérancement mécanique
Les imperfections inhérentes aux processus de fabrication engendrent une dé-

gradation des caractéristiques fonctionnelles du produit et donc de sa qualité. Le
tolérancement [Ngo98] est défini comme une spécification qui limite les variations
géométriques des pièces afin de garantir un certain niveau de qualité [Dan03]. La
maı̂trise imparfaite du tolérancement [Bjo89, Voe98, Zha96] entraı̂ne des coûts im-
portants lors de la fabrication des pièces : taux de rebuts important. Le tolérance-
ment a pour objectifs essentiels :
– de réduire les contraintes de précision et par la suite le coût du produit-

processus
– de faire une cotation au juste nécessaire traduisant la satisfaction du besoin
du client
– d’utiliser un langage univoque qui évite les malentendus et assure une com-
préhension entre tous les métiers de la conception et de la production.
– de créer les conditions d’un dialogue objectif entre les concepteurs et les réa-
lisateurs.
Un mécanisme idéal nécessiterait des pièces s’ajustant parfaitement, et donc ayant

des formes parfaites : plan parfait, cylindre de révolution parfait, etc. (Figure 2.6)
Fig. 2.6 – Pièce dessinée et cotée.
Mais les pièces fabriquées ne sont jamais parfaites (Figure 2.7). Il y a toujours des
cotes ou des surfaces qui même si le produit reste fonctionnel, ne sont pas parfaites.
79
Fig. 2.7 – Pièce réelle fabriquée.
Il est donc nécessaire de définir l’ensemble des géométries réelles acceptables

du point de vue fonctionnel. Un produit pour être fonctionnel doit répondre aux
conditions suivantes :
– assemblage : jeu minimal imposé ; (Figure 2.8)
– précision de positionnement ou de guidage entre deux surfaces d’un méca-
nisme : jeu maximal ;
– localisation des contacts : limite les écarts géométriques.
Fig. 2.8 – Conditions fonctionnelles d’un produit - Photo : [Pairel E]
Historiquement les tolérances fournissent les moyens pour la communication entre

le produit et les concepteurs de processus [Mil02, Ser03]. Une précision plus élevée
signifie une tolérance inférieure et par consequence de meilleures machines sont né-
cessaires pour fabriquer les pièces entraı̂nant ainsi une majoration du coût de pro-
duction [Ger97, Tra00]. Les tolérances mécaniques sont des facteurs clefs pour la
détermination du coût total dans un processus de fabrication. Le rapport entre les
tolérances et le coût de fabrication est montré sur la figure 2.9.
80
Coût
Coût
résiduel Coût de fabrication
CPSD
Tolérances
Fig. 2.9 – Le coût de fabrication en fonction des tolérances mécaniques.
Le coût de fabrication est divisé en deux parties :

1. Le Coût de Production pour les produits acceptés Sans Défauts - CP SD.
2. Le coût résiduel - Le coût déterminé par les pièces rejetées qui sont hors tolé-
rances
L’expérience montre que le tolérancement s’inscrit dans une démarche générale de
conception, et contribue à l’amélioration de la qualité du produit. Notre but est de
réduire le coût du aux produits rejetés par une meilleure considération des tolérances
mécaniques. Afin d’atteindre cet objectif nous proposons une nouvelle méthode qui
va agrandir l’intervalle d’acceptation pour les pièces fabriquées dans l’optimisation
du processus de mise en forme des métaux. Le tolérancement devrait être avec le
modèle numérique (modèle éléments finis) le support privilégié de la conception
intégrée du produit et de son procédé de fabrication.
2.4.3 Analyse par intervalles

2.4.3.1 Introduction
Le principe fondamental de l’arithmétique par intervalles consiste à remplacer

tout nombre par un intervalle le contenant et à effectuer les calculs sur des in-
tervalles, tout intervalle calculé contenant le résultat du calcul exact [Rev01]. Le
premier intérêt est de pouvoir prendre en compte les incertitudes de mesure dans
le cas où les données sont des valeurs expérimentales. Le second intérêt est de per-
mettre de manipuler sur ordinateur, en utilisant le calcul flottant, des quantités qui
ne sont pas exactement représentables : par exemple, le nombre π sera représenté
par [3,14 - 3,15] sur une machine qui calcule en base 10 avec 3 chiffres de mantisse.
Cet intervalle contient de façon sure la valeur de π et tout calcul impliquant cet
intervalle contiendra le résultat du calcul avec π. Cette propriété de résultats garan-
tis constitue l’avantage essentiel de l’arithmétique par intervalles ; comme il est de
81
plus possible de préserver cette propriété avec une implantation basée sur l’arith-
métique flottante. La force de l’arithmétique par intervalles est en effet la fiabilité
des résultats. L’arithmétique d’intervalles définie par Moore dans les années 1960
[Moo66] apporte une solution fiable à la représentation des données incertaines. Un
intervalle [Ale83] est un ensemble connexe de nombres réels. Les opérations arith-
métiques sont étendues aux opérandes intervalles de façon à ce que le résultat exact
de l’opération appartienne à l’intervalle calculé. Quand les opérandes sont remplacés
par des intervalles dans une expression, polynomiale par exemple, le résultat calculé
est un intervalle contenant toutes les valeurs possibles de cette expression pour toute
valeur ponctuelle de l’intervalle d’entrée : cette propriété s’appelle résultat garanti
et constitue l’avantage essentiel de l’arithmétique par intervalles. Cependant, ce ré-
sultat peut surestimer trop largement l’ensemble des valeurs possibles et dépend
de la forme choisie pour l’expression à évaluer, parmi plusieurs mathématiquement
équivalentes. Dans ce qui suit, un intervalle sera représenté par ses extrémités :
h i n o
x= x x = x ∈ R/ x ≤ x ≤ x (2.39)
Tout nombre réel x sera confondu avec l’intervalle [x; x]. Il est possible d’étendre
les opérations arithmétiques usuelles aux intervalles grâce aux relations suivantes
[Neu90, Moo79].
Si [x1 ][x2 ] sont deux intervalles on a :



 [x1 ] = [a, b] et [x2 ] = [c, d]

 [x1 ] + [x2 ] = [a, b] + [c, d] = [a + c, b + d]



[x1 ] − [x2 ] = [a, b] + (− [c, d]) = [a − d, b − c] (2.40)




 [x1 ] × [xh2 ] = [min
i {ac, ad, bc, bd} , max {ac, ad, bc, bd}]
 1/ 1 1

[x1 ] = /b, /a , 0 ∈ / [a, b]

L’analyse par intervalles peut être utilisée avec succés dans beaucoup de domaines
comme :
– l’optimisation globale [Han92, Rat98],
– déterminant des racines d’une fonction [Kea97],
– calcul différentiel [Ham95],
– robotique [Jau01],
– l’estimation des erreurs de frontières [Bra01].
D’autres développements tiennent compte des avantages discrets de propaga-
tion de contrainte [Cle87, Dav87]. La propagation de contraintes sur les intervalles
[Gra02a] fournit de nouveaux outils pour résoudre le problème de dépendance et une
82
autre manière de considérer des tels problèmes.
2.4.3.2 Le Problème de la Satisfaction de Contrainte (P SC)
Un Problème de la Satisfaction de Contrainte (P SC) est défini par :

– un ensemble V de n variables x1 , ..., xn du <
– un ensemble D de n sous-ensembles [x1 ], ..., [xn ] du <, appelés domaines
– un ensemble C de m contraintes c1 , ..., cm , reliant les variables x1 , ..., xn
Sur ce P SC nous pouvons réduire des domaines avec la propagation de contraintes.
Le but de la propagation de contraintes est de donner le plus petit carré pour les
domaines comprenant toutes les solutions satisfaisant les contraintes. Les solutions
de ce PSC sont définies par l’ensemble suivant :
n o
S= x dans [x] , c1 (x), c1 (x), ..., cm (x) (2.41)
Un exemple sur la propagation de contraintes est donné dans la prochaine section

mais beaucoup de logiciels libres sont disponibles pour caractériser l’ensemble de
solutions d’un P SC [Bag04, Dao01, Gra02b].
2.4.3.3 Propagation des contraintes
Un P SC peut être défini par la contrainte suivante :

(
c1 : x1 + x2 = x3,
(2.42)
x1 dans [1, 3] , x2 dans [0, 2] , x3 dans [0, 2]
La contrainte est une relation entre plusieurs variables. Si des variables sont incluses
dans les intervalles, des déductions peuvent être faites. Pour certains couples de
points (x1 , x2 ) nous ne pouvons pas trouver dans l’autre intervalle [x3 ] une valeur
pour satisfaire la contrainte. Ces valeurs s’appellent non conformées. Il n’y a
aucune valeur x3 pour les couples (x1 , x2 ) = (3, 2) et aucune valeur de (x1 , x2 ) pour
x3 = 0, ces valeurs ne sont pas des valeurs conformées pour ce P SC. La technique
de propagation de contraintes supprime des valeurs contradictoires et réduit les
domaines d’intervalle. Dans notre P SC, les domaines obtenus après la propagation
de contraintes sont :
[x1 ] ∗ [x2 ] ∗ [x3 ] = [1, 2] ∗ [0, 1] ∗ [1, 2] (2.43)
83
L’implémentation de la P SC est défini par :


 [x1 ] := [x3 ] ∩ ([x1 ] + [x2 ])

[x1 ] := [x1 ] ∩ ([x3 ] − [x2 ]) (2.44)

[x2 ] := [x2 ] ∩ ([x3 ] − [x1 ])

L’opérateur pour la propagation de contraintes pour des contraintes primitives peut

également être défini comme :

 c2 : x1 ∗ x2 = x3 ,

c3 : sin(x1 ) = x2 , (2.45)

c4 : exp(x1 ) = x2 , ...

Toutes les expressions analytiques sont une composition des opérateurs : + − ∗/

ou des fonctions telles que : sin, cos, exp... . Par conséquent toutes les contraintes
du P SC ont à l’origine des contraintes primitives. La propagation des contraintes
utilise ces contraintes primitives pour réduire le domaine sur intervalle de chaque
variable. La propagation de contraintes n’est pas la seule méthode qui contracte
des domaines. Un opérateur, appelé contractor, peut être défini pour toutes les
techniques qui réduisent des domaines [Jau01].
2.4.3.4 Le problème de l’estimation
Pour illustrer ce problème on peut considérer la fonction :
f (x) = a1 · exp(a2 · x) (2.46)
Afin d’estimer les valeurs a1 et a2 nous considèrons l’équation 2.47.

n o
S1 = a, xi dans [xi ] , f ( a, xi ) dans [yi ] (2.47)
Sur la figure 2.10 les domaines de l’intervalle pour xi et yi sont représentés par les
boı̂tes grises. Une solution incluse dans l’ensemble S est donnée par la courbe foncée.
Cette courbe correspond à un couple de points (a1 , a2 ) qui représente une solution
pour notre problème d’estimation. La ligne pointillée est une non solution (Figure
2.10). Dans ce cas [f (x2 , a)] n’est pas inclue à l’intérieur de [y2 ]. Pour notre problème,
nous devons obtenir une valeur sur intervalle pour chaque ai , qui nous permettra de
choisir notre valeur.
84
Fig. 2.10 – Exemple d’estimation pour une solution non robuste
On peut également essayer de trouver une meilleure solution pour laquelle les
contraintes sont satisfaites pour toutes les valeurs [xi ] [Rat00]. L’ensemble des solu-
tions est donné par :
n o
S1 = a, ∀ , x dans [x] , f ( x) dans [y] (2.48)
Fig. 2.11 – L’estimation des paramètres pour une fonction exponentielle
Une valeur non robuste est montrée sur le figure 2.11. Dans les cercles de la figure
2.11, il y a un certain nombre de valeurs qui ne sont pas incluses dans l’intervalle
[yi ]. Cet ensemble de valeurs S2 est inclus dans l’ensemble S1 . Pour notre application
nous sommes plus intéressés par ce type particulier d’ensemble parce que, ayant la
solution sur intervalle, nous pouvons choisir une valeur pour xi .
2.4.3.5 L’algorithme proposé
D’abord on applique une méthode locale [Bag05], ce qui va nous permettre de

trouver une solution locale pour ai . Cette solution nous apporte des informations sur
les domaines initiaux [ai ]. Avec ces informations et les domaines d’intervalles pour
xi et yi , nous pouvons écrire le P SC. La prochaine étape réduit les domaines des
intervalles dans une propagation de l’avant vers l’arrière sur toutes les contraintes.
Cette étape s’appelle CS([a], [x], [y]) (Figure 2.12).
85
Fig. 2.12 – L’algorithme proposé par le calcul par intervalles
Deuxièmement nous divisons par deux (critère de bissection) un des intervalles

ai . Nous avons fait une évaluation d’intervalles du f (a, x) pour chaque partie du
domaine et avons choisi l’un d’eux. Le critère utilisé (Figure 2.13) est une fonction
qui compare deux boı̂tes, par exemple [f ([a]1 et [y]i )]. Le résultat est la plus grande
distance séparant les deux boı̂tes. Si nous appliquons le critère d’évaluation [a]i , nous
obtenons deux valeurs de distances facilement comparables.
Fig. 2.13 – Critère de sélection pour la boite ai .
Si l’évaluation [f ([a]1 )] se trouve à l’intérieur de [yi ], pour toutes les valeurs de

i, le critère est négatif. Par conséquent nous avons trouvé une boı̂te qui représente
la solution pour [ai ]. Naturellement l’algorithme a choisi une boı̂te [a]i , qui aurait
pu perdre des solutions, mais le critère dépend de l’initialisation. L’algorithme peut-
être encore amélioré pour réduire la perte de solutions. Ce premier algorithme a
été fait pour montrer les possibilités de la méthode par intervalles pour ce type de
problème et pour d’autres développements futurs. Par exemple quelques variables se
produisent plus d’une fois. Le problème de dépendance peut causer la surestimation
dans l’évaluation d’intervalles, et la méthode de contraction ne donne pas la plus
86
petite boı̂te. Nous pouvons utiliser la contraction de boı̂te pour renforcer la contrac-
tion [Ben94a]. La progression dans la contraction peut également être faite avec des
contraintes spécifiques telles que la méthode d’élimination de Gauss.
2.4.4 Nouvelle méthode d’optimisation pour obtenir une

Surface de Réponse par Intervalle (SRI)
Ce travail vise à définir une nouvelle méthode d’optimisation développée par

notre équipe qui utilisera les trois approches présentées ci-dessus :
1. La méthodologie des surfaces de réponse [Box51, Cor90, Mon01]
2. Le calcul par intervalles [Neu90, Moo79]
3. Le tolérancement mécanique [Bjo89, Voe98, Zha96].
En effet nous allons tolérer à chaque niveau des facteurs Ximax

min
avec un ±∆i spé-
cifique, ce que nous permettra après d’utiliser l’analyse par intervalles afin d’obtenir
ce qu’on va appeler Surfaces de Réponse par Intervalles.
L’équation de la surface de réponse par intervalles obtenue, nous permettra de
choisir plusieurs ensembles de jeux de paramètres afin de rendre le système plus
flexible. Ce qui est le plus important à préciser, c’est le fait que pour l’ensemble des
jeux de paramètres la réponse à optimiser restera toujours sous forme d’intervalles
de tolérance. C’est à dire que, dans un intervalle d’acceptation de la réponse établi
a priori par des experts ou par les ingénieurs tout en respectant les spécifications
recommandées par le bureau d’étude, la réponse ne sera plus une cible sur seulement
une valeur. Ces spécifications prennent souvent la forme d’une valeur cible (la valeur
nominale) m avec des tolérances bilatérales ±∆i . Notre objectif est d’éliminer le
concept d’ingénierie à la cible, par une meilleure considération des tolérances des
pièces fabriquées. L’existence des tolérances permettra aussi de donner une certaine
flexibilité au processus de fabrication et donc d’agrandir les chances d’acceptation
des produits avec des limites tolérables d’un point de vue fonctionnel .
Cette nouvelle méthode apportera une souplesse sur les paramètres à régler pour
trouver l’optimum d’un procédé de fabrication et surtout pour l’optimisation mul-
ticritères où la probabilité de jouer sur l’ensemble des paramètres pour trouver un
optimum acceptable est moins forte. La validation ainsi que l’efficacité de l’approche
proposée, sera prouvée lors de l’optimisation du retour élastique pendant le procédé
d’emboutissage dans le chapitre d’applications (Chapitre 5) de ce mémoire. Plus de
détails concernant son application seront présentés à cette occasion.
87
2.5 Conclusions
Dans ce chapitre nous avons pu faire une introduction à la méthodologie des
plans d’expériences ainsi qu’une présentation des nouvelles stratégies d’optimisation
en utilisant cette approche. La Méthodologie des Plans d’Expériences (MPE)
nous offre un outil adapté, permettant de résoudre des situations délicates rencon-
trées dans le processus d’optimisation des procédés de fabrication. Cette méthode
permet une interprétation rapide et sans équivoque des résultats en fournissant un
modèle mathématique précis du système étudié.
La variété des plans d’expériences disponibles pour cette méthodologie est telle-
ment importante que l’on est tenté de considérer qu’ils représentent une approche
universelle des démarches expérimentales. [Pil02]
L’hybridisation entre la M P E et une autre méthode d’optimisation donne une
puissance qui ne peut pas être atteinte par aucune d’elles. C’est pourquoi nous avons
proposé d’une façon originale une méthode hybride d’optimisation, qui exploite la
puissance de trois approches : la méthodologie des surfaces de réponse, le tolérance-
ment mécanique et le calcul par intervalle
Pour déterminer le caractère non linéaire d’une modélisation nous avons proposé
une méthode spécifique aux plans d’expériences numériques. La réduction du retour
élastique après le pliage sera optimisée en utilisant cette approche. L’optimisation
multicritère par la méthode de Ch’ng sera utilisée afin de prolonger la durée de vie
de la matrice pour le procédé d’extrusion.
Les stratégies d’optimisation présentées dans ce chapitre seront validées dans le
chapitre 5 de ce mémoire par des applications aux procédés de mise en forme qui
ont été réalisées à l’aide d’un logiciel - OPTIFORM, conçu dans le but de rendre
le processus d’optimisation plus accessible et qui permet la mise en oeuvre de la
méthodologie des plans d’expériences.
88
Chapitre 3
Modélisation numérique des

défaillances des procédés de mise
en forme
La modélisation numérique par éléments finis est une approche puissante utilisée
de plus en plus pour simuler des phénomènes complexes. Elle permet de modifier fa-
cilement les paramètres, tels que la géométrie locale, les caractéristiques mécaniques
des matériaux, le chargement et les conditions limites. Dans ce chapitre nous propo-
sons l’implémentation par éléments finis des défaillances des procédés présentées au
chapitre 1. On commence par une introduction à la modélisation de l’endommage-
ment des métaux par éléments finis. Plusieurs critères de rupture seront présentés à
cette occasion. Pour prédire le risque de rupture, différentes lois couplées à l’endom-
magement ont été implémentées dans le code de calcul par éléments finis Abaqus
[ABA]. Compte tenu du fait qu’il y a de nombreuses pièces fabriquées qui sont par
la suite rejetées à cause de l’usure, une modélisation éléments finis de l’usure des
outils (matrice d’extrusion) nous a permis de proposer des solutions à ce problème.
Dans la mise en forme, les outils sont soumis à des sollicitations cycliques qui font
que la fatigue peut intervenir à tout moment et entraı̂ner des dégâts très importants.
La prévision d’un tel phénomène s’avère nécessaire plus particulièrement pour des
procédés pour lesquels la durée de vie des outils devra être importante. Grâce à
la puissance de la modélisation éléments finis l’ingénieur peut aujourd’hui résoudre
les problèmes les plus complexes avec un degré de raffinement qui ne serait pas en-
visageable avec les méthodes traditionnelles. Cela permet de réduire le temps de
conception ainsi que d’entraı̂ner des coûts moins importants.
89
90
3.1. PROBLÉMATIQUE
3.1 Problématique
La maı̂trise des différents défauts ou défaillances d’un procédé de fabrication

est difficile pour différents raisons (technologiques, conceptuelles ou autres). Les pa-
ramètres opératoires constituent la principale cause qui entraı̂ne des variations des
cotes ou défauts de forme. Dans ce sens, pour maı̂triser ces paramètres, des approches
et des techniques diverses ont été développées et mises en place par différents cher-
cheurs, qui utilisent la simulation numérique par éléments finis. Le recours à cette
technique se fait principalement dans deux cas :
1. Le premier correspond au cas où l’expérimentation directe est impossible à

réaliser pour des raisons telles que : temps, coût, technologique, etc.
2. Le second correspond au cas où on ne dispose pas de bases théoriques suffi-

santes, capables de modéliser la réalité du problème dans toute sa complexité.
La simulation numérique est une technique particulière de modélisation et d’éva-

luation des procédés qui est utilisée depuis les années 60. Outil puissant de modé-
lisation des systèmes de nombreuses disciplines, la simulation numérique n’a cessé
d’évoluer depuis sa découverte.
L’apport si important de cette approche dans un contexte d’évolution industrielle
très rapide, réside dans ses capacités de modélisation et de prédiction. En effet elle
fournit une aide appréciable dans la conception des nouveaux produits, pour tester de
nouvelles hypothèses trouvées par des chercheurs et qui seront peut-être à l’origine de
nouvelles lois. La simulation numérique peut-être utilisée dans l’ensemble des phases
du cycle de vie d’une pièce mécanique : la conception, la fabrication et l’exploitation.
Des lacunes, des problèmes et des difficultés subsistent encore aussi bien dans les
approches que dans les outils de modélisation (les codes de calcul par éléments finis
- Abaqus, Adina, Cosmos, etc.), d’où l’intérêt de ce travail.
C’est pourquoi nous proposons dans ce chapitre la modélisation par éléments
finis des défaillances le plus souvent rencontrées dans la mise en forme telles que :
la rupture des outils ou pièces, l’usure ou la fatigue des outils (Figure 3.1). L’origi-
nalité de nos approches réside dans le fait que nous proposons des modèles qui sont
paramétrables et qui utilisent la technique des plans d’expériences afin de réduire le
temps de calcul par un nombre réduit d’essais nécessaires pour leur mise en oeuvre.
91
CHAPITRE 3. MODÉLISATION NUMÉRIQUE DES DÉFAILLANCES DES PROCÉDÉS DE MISE EN FORME
Fig. 3.1 – Dégradation subie par les outils
3.1.1 Endommagement et rupture

Le mécanisme de rupture est très complexe mais il commence toujours à partir
d’une discontinuité existante dans la structure du matériau de type fissure (Figure
1.15) ou défaut (Figure 1.34). Comprendre ce phénomène permet de prévoir en fonc-
tion des dimensions d’une fissure et l’état de chargement, la vitesse de propagation
de la fissure, et par conséquent d’empêcher la rupture brutale de la pièce ou de l’ou-
til (Figures 1.9 et 3.1). La rupture d’un matériau peut-être fragile sans déformation
plastique, tout en libérant une énergie cinétique qui peut-être importante [Pro96]. Il
existe plusieurs types de rupture (rupture fragile, rupture intergranulaire et rupture
ductile [Fra26]) mais nous ne sommes intéressés ici que par la rupture ductile.
La rupture ductile résulte de la naissance de cavités, puis de leurs croissances et
de leurs coalescences sous l’effet de la déformation plastique. L’apparition des cavités
a lieu surtout dans ou à proximité des inclusions, par rupture de ces dernières ou
par décohésion de leur interface avec la matrice.
Le mécanisme de la rupture [Pre97] commence par la propagation lente des fis-
sures qui vont vite fragiliser la résistance du matériau et par conséquent du système
dont il fait partie intégrante. L’analyse du processus de rupture est très complexe
par le fait qu’aux moins les facteurs suivants y jouent un rôle : la température, la
vitesse de déformation locale, le taux local de triaxialité de contraintes, la structure
du matériau (le plus souvent non homogène),
92
La propagation des fissures dans l’état le plus général se fait par une superposition
de trois modes de propagation [Eng60] (Figure 3.2) :
– mode I (mode par ouverture) : les surfaces de la fissure se déplacent dans des
directions opposées et perpendiculairement au plan de fissure ;
– mode II (glissement de translation) : les surfaces de la fissure se déplacent dans
le même plan et dans une direction perpendiculaire au front de fissure ;
– mode III (glissement de rotation) : les surfaces de la fissure se déplacent dans
le même plan et dans une direction parallèle au front de la fissure.
Mode I - Par ouverture Mode II - Glissement de translation Mode III - Glissement de rotation
Fig. 3.2 – Modes de propagation de fissures - Photo : [Fis01]
On considère que la rupture est plate si elle correspond au mode I et si la rupture

est inclinée elle correspond aux modes II et III. Les fissures peuvent être de trois
types : superficielles, internes, traversantes sous forme semi-elliptique, elliptique ou
en coin, etc. Ces fissures sont généralement planes, c’est-à-dire que leurs deux faces
sont très voisines d’un plan moyen et se rejoignent selon un bord anguleux.
3.1.1.1 Critères de rupture
Pour prédire le risque de rupture, différents auteurs ont proposé leurs critères de
rupture [Atk97, Bro72, Bro95, Cli90, Coc66, Fis95, McC68, Mor78, Oya80, Zhu95].
Dans le cas isotrope, ces critères sont des fonctions scalaires qui s’expriment à l’aide
des composantes des tenseurs des contraintes ou/et des déformations, et dépendent
de certains coefficients caractéristiques du matériau. La plupart de ces critères sont
de nature empirique c’est à dire qu’aucune base théorique ne les justifie. On les
obtient généralement à partir d’essais rhéologiques sur des éprouvettes dont la rup-
ture est identifiée avec une valeur critique atteinte par une fonction qu’on sup-
pose représentative du phénomène [Atk97, Bro72, Cli90, Duf80, Fis95]. McClintock
[McC68], Rice and Tracey [Ric69], et d’autres, ont étudié à l’échelle microscopique
la rupture ductile des métaux en l’identifiant à des mécanismes de croissance et
de coalescence de cavités simulant les vides préexistants dans le matériau. Ils ont
proposé des lois de croissance qui sont des fonctions de la déformation plastique
93
équivalente eq , de la contrainte équivalente σeq , de la contrainte hydrostatique σH

et de certains coefficients du matériau. La rupture ductile est le résultat de l’instabi-
lité des grandes déformations locales engendrées au voisinage des défauts cristallins
[Cha81, Cha88, Gur77, Kac58, Lem00, Nee72, Tve90]. Les défauts responsables de
l’amorçage de la rupture ductile sont :
1. les inclusions,
2. les particules d’éléments d’addition dans les alliages,
3. les empilements de dislocations,
4. les précipités de mise en solution par traitements thermiques,
5. les joints de grains.
Au voisinage de ces défauts, les sollicitations extérieures créent des concentrations

de contraintes qui engendrent de grandes déformations plastiques. Le défaut étant
en général moins ductile que la matrice, par effet d’instabilité il y a décohésion à
l’interface créant ainsi l’amorçage d’une microfissure ou d’une cavité. La rupture
ductile des métaux résulte de l’amorçage de la croissance et de la coalescence des
cavités aboutissant à une surface de cassure présentant des cupules.
Modèles de croissance et de coalescence des cavités
Le volume critique des cavités constitue une voie intéressante pour développer
des critères de rupture ductile. La déformation volumique d’une cavité est en effet
une fonction du tenseur des contraintes locales σij . Suivant Oyane [Oya80] on écrit :

dV σij
=f dεeq (3.1)
V σeq
En négligeant les termes du second ordre dans le développement limité de (Equa-

tion 3.1), on obtient

dV σH
= a+b dεeq (3.2)
V σeq
L’intégration d’equation 3.2 donne l’expression du critère sous la forme :

Z εR
V σH
Ln = a+b dεeq (3.3)
V0 0 σeq
94
où σeq désigne la contrainte équivalente, σH la contrainte hydrostatique, eq la

déformation équivalente, et R la déformation équivalente. V0 désigne le volume
initial des cavités. Le critère de rupture ductile donné par Oyane se met sous la
forme suivante :
Z εR
σH
1+ dεeq − B = 0 (3.4)
0 Aσeq
A et B sont deux constantes inhérentes au comportement du matériau.
Modèle de McClintock
McClintock [McC68] a étudié la rupture ductile des métaux par le processus de

croissance et coalescence des cavités. Ce processus conduisant à la rupture ductile
peut être interprété comme une progression du dommage. Dans le cas de structures
bidimensionnelles, les auteurs considèrent qu’un certain nombre de trous cylindriques
équidistants et de même diamètre, sont répartis d’une façon uniforme dans le ma-
tériau. Le domaine matériel est supposé être divisé en cellules contenant chacune
un trou central. La distance entre deux cavités est supposée suffisamment grande
par rapport au diamètre, pour que le mouvement d’un trou soit déterminé d’une
façon indépendante des autres. En d’autres termes, l’interaction entre les trous est
négligée et on fait l’étude d’un trou dans un milieu infini. Les auteurs proposent une
fonction décrivant la rupture sous la forme :
Zε " √ √ ! #
RR 3 3(1 − n) (σ1 + σ2 ) 3 (σ1 − σ2 )
ln = · sinh · + · dεeq
R0 2 (1 − n) 2 σeq 4 σeq
0
(3.5)
RR
– σ1 et σ2 sont les contraintes dans les directions 1 et 2. R0
définit le rapport
entre la taille actuelle et la taille initiale de la cavité.
Modèle de Rice et Tracey
Dans cette étude [Ric69], les auteurs se proposent de déterminer un modèle

de croissance d’une cavité sphérique dans une matrice évoluant dans un état de
déformation plastique parfait. Après certains développements mathématiques, ils
95
proposent le critère de rupture suivant :
ZεR
RR 3 σH
ln = 0.283 · exp · dεeq (3.6)
R0 2 σeq
0
Critères empiriques
D’autres auteurs ont essayé de caractériser la rupture à l’aide de variables mé-

caniques, et de nombreux critères de ruptures en mode ductile ont été proposés.
Nous en faisons un bref rappel dans ce qui suit. L’idée générale qui sous-tend ces
approches est la suivante : On postule que lorsqu’une fonction fR , supposée être
représentative du phénomène de rupture ductile d’un élément de volume en état
de charge élastoplastique, dépasse une valeur critique Cc , la rupture se fait. D’une
manière générale, ces critères ont la forme suivante :
fR − Cc = 0 (3.7)
Critère de déformation plastique équivalente
Ce critère met en oeuvre la déformation plastique équivalente εeq . Quand sa

valeur atteint une valeur critique εR , on a rupture de l’élément de volume. La valeur
de εR est déterminée expérimentalement pour chaque matériau à partir d’un essai
de traction. On écrit donc :
εeq − εR = 0 (3.8)
Étude comparative de Clift
Clift et al. [Cli90], ont basé leur étude comparative sur un modèle éléments
finis pour étudier les problèmes de mise en forme des métaux en tenant compte
des phénomènes de rupture. Le comportement du matériau étant décrit par la loi
de Prandtl-Reuss associée au critère de Von Mises. Ils ont simulé numériquement
la rupture, en utilisant chacun des différents critères empiriques trouvés dans la
littérature. Pour valider leur programme, les auteurs ont réalisé des essais expéri-
96
mentaux tels que la compression d’un cylindre ou l’extrusion d’un lopin cylindrique.
En comparant les deux résultats, ils concluent que certains critères sont en accord
avec l’expérience pour certains procédés de mise en forme et certaines géométries, et
sont en désaccord dans d’autres cas. Seul le critère énergétique de Freudenthal qui
s’identifie à l’énergie plastique dissipée a donné entière satisfaction.
La majorité de ces critères ont été développés à partir de travaux expérimen-
taux qui, d’après Clift [Cli90], ont un domaine d’application limité. Beaucoup sont
spécifiques à un type de sollicitation et à une géométrie particulière. D’une façon
générale, on distingue trois types de critères qu’on peut classer comme suit :
1. Des critères de rupture ductile basés sur des approches macroscopiques tra-
duites sous la forme de courbes limites de formage (cas de l’emboutissage par
exemple). Ces approches purement macroscopiques et descriptives, n’intègrent
pas les effets des mécanismes d’endommagement. En vue de la simplicité de
ces notions, ces courbes ne sont valables que pour des évolutions de contraintes
et de déformations bien particulières.
2. Des critères de rupture ductile basés sur l’observation des grandeurs méca-
niques. Ces critères ne tiennent compte que qualitativement des constatations
expérimentales. Ils sont déterminés de façon à privilégier l’influence des gran-
deurs mécaniques les plus déterminantes pour la rupture (déformation, triaxia-
lité des contraintes ..etc..).
Ces critères ont très souvent la forme suivante :
Z εR
f (σ, εeq ) dεeq − Cc = 0 (3.9)
0
f (σ, εeq ) est une fonction des contraintes et des déformations et Cc est la valeur
critique du critère de rupture.
3. Des critères de rupture ductile basés sur des études microscopiques décrivant
l’évolution de cavités sphériques au sein des matériaux.
3.1.1.2 Lois d’endommagement de Lemaı̂tre
Dans cette approche [Lem00], l’endommagement est isotrope, caractérisé par la

variable scalaire D. Dans le cas unidimensionnel on la définit comme étant le rapport
entre la surface des défauts ∆Av et la surface apparente de la section d’un élément
de volume ∆A conformément à la figure 3.3 :
∆Av
D= (3.10)
∆A
97
Fig. 3.3 – Éléments de volume endommagé et vierge.
Pour modéliser le phénomène d’endommagement, on peut se placer dans le cadre

de la thermodynamique des milieux continus. Dans ce cas l’énergie libre est utilisée
comme potentiel thermodynamique d’état peut se mettre sous la forme [Lem92] :
Ψ = Ψ εeij , D

(3.11)
εeij est le tenseur des déformations élastiques. La loi de comportement couplée à

l’endommagement est donnée par :
∂Ψ
σij = ρ (3.12)
∂εeij
Le développement de l’equation 3.12 donne la relation classique :

(1 − D) E e ν e
σij = εkk − ε δ (3.13)
1+ν (1 − 2ν) kk ij
D est la variable d’endommagement, E est le module de Young, ν est le coefficient

de Poisson, ρ est la masse volumique du matériau et δij est la fonction de Dirac (1
pour i = j, 0 si i 6= j). La relation (3.13) peut se mettre sous la forme suivante :
σij = (1 − D) Cijkl εekl (3.14)
Cijkl désignent les composants de l’opérateur élastique de Hooke.

La variable force thermodynamique associée à la variable d’endommagement
s’écrit sous la forme [Lem92] :
 !2 
2 σH
∂Ψ σeq
−Y = −ρ =  2 (1 + ν) + 3 (1 − 2ν)  (3.15)
2
∂D 2E (1 − D) 3 σeq
σH est la contrainte hydrostatique et σeq est la contrainte équivalente de von Mises
98
donnée par :
r
3
σeq = S S (3.16)
2 ij ij
avec Sij le déviateur des contraintes défini par :
Sij = σij − δij σH (3.17)
En suivant l’approche de Lemaı̂tre [Lem92], la fonction de charge affectée par le

dommage est donnée par la relation :

f = f1 σij , σ0 , D + fD −Y, εeq , D (3.18)
f1 est le potentiel plastique associé à l’écrouissage, fD est le potentiel plastique

associé à l’endommagement et σ0 est la loi d’écrouissage.
Pour les matériau qui respectent le critère de von Mises f1 prend la forme :
σeq − σ0
f1 = − σel (3.19)
1−D
σel désigne la limite élastique du métal.

Les lois d’écoulement et d’évolution des variables internes sont obtenues dans
l’hypothèse de dissipation normale et s’écrivent :
∂f1 dλ 3Sij
dεpij = dλ = · (3.20)
∂σij 1 − D 2σeqij
dεpij est le tenseur incrément de déformation plastique.
dλ = (1 − D) dεeq (3.21)
r
2
dεeq = dε dε (3.22)
3 ij ij
∂fD −Y dλ
dD = −dλ · = · (3.23)
∂Y S0 1 − D
S0 est un coefficient matériau. Finalement, Lemaı̂tre propose la loi d’endommage-
99
ment suivante :
" 2 #
Dc 2 σH n2
dD = (1 + ν) + 3(1 − 2ν) εeq dεeq (3.24)
εR − εD 3 σeq
n est l’exposant d’écrouissage, ν est le coefficient de Poisson, εD est la déformation

seuil en deçà de laquelle l’endommagement est nul ou négligeable et εR est la dé-
formation à rupture pour laquelle l’endommagement est égal à sa valeur critique
Dc .
3.2 Modélisation par éléments finis des défaillances

de procédés de mise en forme
3.2.1 Modélisation de l’endommagement des métaux
Dans ce paragraphe, nous présentons des modèles numériques permettant de
traiter par la méthode des éléments finis les problèmes d’endommagement et de
rupture ductile générés par la déformation plastique des pièces durant leur mise en
forme (Figure 3.4). L’implantation numérique dans un code de calcul par éléments
Fig. 3.4 – Mécanismes d’endommagement et de la rupture.
finis de critères d’endommagement est un outil très utile pour étudier les risques
des structures. Par exemple dans le domaine de la mise en forme des métaux, on
cherche très souvent à éviter ou à réduire le risque d’apparition de fissure au sein
du produit à fabriquer [Ari03, Cli90, Coc66, Che03, Gou00, Guo02, Gel98, Ham00a,
Ko96, Lem85, Lau97, Mka02, Oya80, Zhu95]. Dans ce cadre, nous avons mis au point
un algorithme de calcul implicite qui permet d’intégrer localement plusieurs critères
d’endommagement en chaque élément fini et pour chaque itération du processus
global. Le schéma d’intégration implicite que nous avons choisi, est bien adapté
100
3.2. MODÉLISATION PAR ÉLÉMENTS FINIS DES DÉFAILLANCES DE PROCÉDÉS DE MISE EN FORME
aux fortes non-linéarités de la loi de comportement car il présente l’avantage d’être

inconditionnellement stable [ABA, ABA93, Cho96, Mar84, Zab00]. Ce travail a été
implanté au code de calcul ABAQUS à l’aide de la routine utilisateur UMAT qui
permet d’introduire une loi de comportement utilisateur [ABA, ABA93].
3.2.1.1 Modélisation du dommage
Dans toute la suite de cette étude, on considère que le comportement élasto-

plastique endommageable peut être décrit en supposant un découplage entre les
parties déviatoriques et sphériques des tenseurs des contraintes et des déforma-
tions [ABA, ABA93, Cri91]. Le problème d’évolution élastoplastique peut être traité
comme un problème à déformation contrôlée et les algorithmes de calcul font par-
tie d’un problème d’analyse convexe [ABA, Cri91]. Du point de vue numérique, le
problème consiste à projeter un point d’essai (l’indice T désigne le terme test) de
l’espace des contraintes sur la surface d’un convexe selon la plus petite distance
entre le point et le convexe représentant la surface de charge [ABA, Cri91]. Ceci est
illustré sur la figure 3.5 dans l’espace des contraintes.
Fig. 3.5 – Projection de la contrainte sur la surface de la fonction de charge.
Dans le cas de la plasticité, le point d’essai est obtenu par un état élastique à
l’aide de la relation incrémentale :
h i
T
σn+1 = σn + ∆σ = (1 − Dn ) [C] (εtot )n+1 − εpl n (3.25)
σn désigne le tenseur des contraintes au début de l’incrément ∆σ, tenseur incrément

des contraintes supposé être purement élastique. (εtot )n+1 est la déformation totale à

l’incrément n+1, εpl n est la déformation plastique à l’incrément n, Dn est la valeur
du dommage à l’incrément n et [C] est l’opérateur élastique de Hooke. Suivant la
valeur obtenue, la fonction de charge f permet de situer le point d’essai.
– Si f < 0. Le point est à l’intérieur du domaine, on a chargement élastique. Dans
ce cas, la prédiction est bonne et on peut écrire que le tenseur des contraintes
101
vraies est égal au tenseur des contraintes de l’essai élastique :
T
σn+1 = σn+1 (3.26)
– Si f ≥ 0 On a un chargement élastoplastique et le point d’essai est extérieur

au convexe.
T
Pour s’y ramener, on cherche la projection la plus proche de σn+1 sur la frontière
de C (δC). On définit ainsi un algorithme à deux pas :
1. Prédiction élastique : à partir d’une valeur ∆σ
T
σn+1 = σn + ∆σ (3.27)
2. Correction plastique avec retour radial sur la frontière :
T

σn+1 = P σn+1 (3.28)
L’application projective (algorithme de correction plastique) P : R5 → δC dénote la

T
projection orthogonale de la contrainte d’essai σn+1 sur la frontière δC. Les variables
d’états à tn+1 doivent satisfaire les conditions de convergence suivantes :
f =0 (3.29)
h i
σ n+1 − (1 − Dn+1 ) [C] (εtot )n+1 − εpl n = 0 (3.30)
∆ H α = hα ∆ εij , (σij )n+1 , Hijα , Dn+1

(3.31)
∆H α , α = 1, 2, ..., n, représente un ensemble de variables d’état et hα les fonctions

d’évolution des variables H α . Dans le cas d’une analyse non linéaire engendrant
des grandes déformations, la formulation des équations constitutives et d’évolution
doit vérifier le principe de l’indifférence matérielle dit principe d’objectivité [Cri91,
Daw97, Pic92]. Ce principe exprime que toute loi de comportement doit satisfaire
l’invariance vis-à-vis d’un mouvement de corps rigide.
EP
σijt ∆t = Cijkl ∆εkl (3.32)
102
EP
Le tenseur Cijkl est donné par :

EP ∂σ
[C] = (3.33)
∂ε
L’équation 3.33 peut s’écrire sous la forme suivante :
[Cel ] nnT [Cel ]

EP
[C] = [Cel ] − (3.34)
H + nT [Cel ] n
n désigne le vecteur normal à la surface de charge f :

T ∂f ∂f ∂f ∂f ∂f ∂f
[n] = , , , , , (3.35)
∂σx ∂σy ∂σz ∂σxy ∂σyz ∂σzx
H est la dérivée de la loi d’écrouissage :
dσ0
H= (3.36)
dεeq
La contrainte vraie à t+∆t s’obtient en appliquant la dérivée de Jaumann ou dérivée

corotationnelle qui prend la forme suivante :
σ t = σ̇ + σ · Ω + Ωt · σ (3.37)
Ω est le tenseur de vitesses de rotation à l’instant t.
L’algorithme de correction plastique est détaillé dans [Ham96]. Contrairement

à l’approche découplée dont le principe est de rompre brusquement l’élément de
volume au delà d’une valeur critique atteinte par une fonction décrivant l’évolution
d’un critère de rupture, l’approche couplée présente les avantages suivants :
– Des bases théoriques et physiques existent pour le développement de lois d’en-

dommagement. Le comportement de la matière est décrit d’une façon couplée
à l’endommagement.
– La dégradation de la matière est décrite progressivement.
Le schéma de principe de cette approche est donné par la figure 3.6 [Ham05b].
103
P rocédé de m ise en form e
Incrém entation du déplacem ent des outils
Sim ulation E lém ents F in is de l’op ération

C alcul des différentes variables d’état
A nalyse du d om m age
C alcu ler le do m m ag e en chaque élém ent fin i
T est de rup ture en chaq ue élém ent fini :
Si D < D c P as de R upture
Si D ≥ D c R up ture d e l’élém ent
Increm entation ’n + 1’
Fig. 3.6 – Schéma de principe de l’approche couplée.
L’utilisation de lois de comportement élasto-plastique couplées à l’endommage-

ment pour le calcul des structures, par la méthode des éléments finis, nécessite le
développement d’algorithmes robustes et rapides. Dans la littérature, on dispose
de plusieurs algorithmes spécialement adaptés à la résolution de problèmes non-
linéaires [ABA, Cri91, Guo02, Saa01]. Dans ce cadre, nous avons mis au point un
algorithme de calcul [Lep04b] implicite qui permet d’intégrer localement les équa-
tions constitutives en chaque élément fini et pour chaque itération du processus
global. Le schéma d’intégration retenu, semble bien adapté aux fortes non-linéarités
de la loi de comportement car il présente l’avantage d’être inconditionnellement
stable [ABA, Cri91]. Nous avons développé ce travail à l’aide de la routine utili-
sateur UMAT qui permet d’implémenter des lois de comportement quelconques au
code de calcul Abaqus [ABA, ABA93]. Plus de détails sur ce travail seront présentés
par la suite dans le chapitre d’applications. Les équations d’équilibre global sont
résolues d’une façon itérative et à cette fin, plusieurs algorithmes sont disponibles
correspondant à [ABA] :
– la méthode de Newton, citée comme la plus stable [Bha87, Coc68]
– la méthode de quasi-Newton, développée pour éviter la décomposition coûteuse
de la matrice des rigidités [ABA],
– la méthode de Riks, développée pour mieux contrôler le chargement lors du
passage du point limite du comportement global [ABA].
104
Les performances de la méthode de Newton pour résoudre les équations d’équilibre

global sont directement liées à la précision avec laquelle est calculée la matrice de
rigidité à chaque itération du processus itératif global [ABA, Cri91]. Cette matrice
est à son tour évaluée à l’aide du module tangent J, caractérisé par le rapport entre
les vitesses des contraintes et les vitesses des déformations. La façon selon laquelle
est calculée la matrice J est d’une grande importance. En effet pour réduire le temps
de calcul global, il est indispensable d’évaluer le module tangent d’une façon précise
et cohérente avec l’algorithme de calcul local [ABA, Ham00a, Saa01].
3.2.1.2 Algorithme de calcul global
Dans le cadre de la formulation en déplacement de la méthode des éléments finis,

les équations d’équilibre global à satisfaire à chaque instant tn+1 peuvent être écrites
sous la forme suivante [ABA] :
F (Un+1 ) = 0 (3.38)
F désigne un système d’équations non linéaires en déplacements et Un+1 désigne la

solution exacte à l’incrément n + 1.
Si la méthode de Newton est utilisée pour résoudre ce système non linéaire, à
chaque itération globale r, on cherche la solution du système :
r r r+1 r

F Un+1 + Kn+1 Un+1 − Un+1 = 0 (3.39)
r
Kn+1 est la matrice de rigidité à l’incrément n + 1 et l’itération r, donnée par la
relation :
r Z
r ∂F
Kn+1 = = B T Jn+1
r
BdΩ (3.40)
∂ U n+1 Ω
B est la matrice déformation-déplacement :
∆εr+1 = B(Un+1
r+1 r
− Un+1 ) (3.41)
r
Jn+1 est le module tangent donné par :
r
r ∂σ
Jn+1 = (3.42)
∂ε n+1
105
3.2.1.3 Algorithme de calcul local
D’un point de vue numérique, le problème consiste à résoudre les équations

constitutives à la fin de l’incrément de temps. L’ensemble des équations qui défi-
nissent le problème découlent de :
1. La décomposition de la déformation en une partie élastique et une partie plas-

tique :
εtot = εel + εpl (3.43)
2. La loi de comportement couplée à l’endommagement :
σij = (1 − D) λe δij εel el

kk + 2 µe εij (3.44)
λe et µe sont les coefficients de Lamé.

3. La loi d’écoulement plastique :
∂f
εpl
ij = λ (3.45)
∂ σij
λ étant le multiplicateur plastique déterminé par la condition de consistance

plastique.
4. La définition de la loi d’endommagement :
D = D (σij , εij , ak ) (3.46)
5. La définition de la fonction de charge couplée au dommage :
f = σeq − σel − ( 1 − D) σ0 (3.47)
3.2.2 Prédiction de l’usure des outils par éléments finis

Le phénomène d’usure présente aujourd’hui un grand intérêt pour les industriels

parce qu’il entraı̂ne une dégradation de l’outil et par la suite une perte de qualité
sur la géométrie finale des produits fabriqués. Une partie de cette recherche est
dédiée à la modélisation de l’usure des outils de fabrication par éléments finis [Bat95,
Imb95]. Le développement des modèles numériques permet de traiter des problèmes
de défaillances des pièces ou des outils rencontrés durant les opérations de formage.
106
L’usure peut être définie aussi comme une perte de matière à l’interface de deux
solides en contact par phénomène de frottement [Chr97, Hor99] (Figure 3.7).
Fig. 3.7 – Mécanisme de l’usure abrasive.
Si la prédiction de l’usure des outils qui résulte des contacts entre solides est d’une
grande importance pour les applications industrielles, elle est cependant difficile à
mener, à cause de l’absence d’outils de modélisation. Au cours de son utilisation,
l’outillage subit des sollicitations cycliques et un échauffement engendré par le travail
des actions de contacts entre la tôle, le poinçon et la matrice et par la puissance
dissipée au sein de la matière. Il en résulte des problèmes de cassure, d’écaillage ou
de grippage (rupture locale sur le bord de l’outil) ainsi que l’usure progressive des
parties actives. Pour le produit fini, apparaissent des défauts de fabrication qu’on
peut classer comme suit :
– Variation de cotes,
– Apparition de défauts de forme (Figure 3.8),
– Formation de bavures,
– Dégradation des caractéristiques mécaniques du matériau.
Fig. 3.8 – Les défauts causés par l’usure.
L’usure est étudiée depuis longtemps, mais de façon assez empirique. C’est pour-
quoi, malgré de très nombreuses études déjà réalisées (plus de 5000 articles parus
dans les revues Wear et Wear of Materials et plus de 300 lois dénombrées depuis
107
1947), très peu de travaux ont été consacrés à la prédiction de l’usure des outils par
éléments finis. L’élimination des dégradations de surface est très importante du point
de vue de la fiabilité car elle augmente la durée de vie des mécanismes en évitant les
dysfonctionnements [Jeo01, Sob92b]. Celle-ci nécessite de pouvoir contrôler l’usure
qui, comme de nombreuses autres composantes de la tribologie, dépend des pro-
priétés mécaniques, physico-chimiques et topographiques des surfaces. De nombreux
travaux expérimentaux ont été réalisés sur ce thème mais la modélisation numérique
de l’usure est encore peu développée. L’objectif de ce paragraphe est de développer
une approche éléments finis permettant de prédire l’évolution de l’usure des outils
de presses.
3.2.2.2 Modélisation de l’usure par éléments finis
Pour modéliser l’évolution de l’usure du poinçon, nous avons développé un algo-

rithme de calcul mettant en oeuvre la loi d’usure d’Archard [Arc53] qui se met sous
la forme suivante :
V = γw FN s (3.48)
V est le volume de matière disparu de la surface de l’outil par phénomène d’usure, γw

est un coefficient d’usure abrasive qui dépend du matériau (10−2 - 10−7 mm2 /N ), FN
est la force normale de contact appliquée à l’outil et s est la distance de glissement
(déplacement tangentiel relatif entre l’outil et la pièce). Différentes études ont montré
que l’usure des outils engendre une augmentation du Rayon de courbure de son
bord tranchant [Ham96, Jen98, Jeo01, Sob92b, Tro92]. La figure 3.9 illustre le profil
d’usure d’un outil [Ham01a].
Fig. 3.9 – Profil d’un outil usé.
L’équation 3.48 fait intervenir un seul coefficient qui caractérise l’interaction du

couple métal de l’outil et métal de la pièce. Du point de vue éléments finis, en
108
chaque noeud i appartenant à la ligne de contact, l’équation 3.48 peut se mettre

sous la forme :
Vi = (γw )i (FN )i si (3.49)
Le modèle d’usure (Équation 3.49) peut être exprimé par la relation incrémentale
suivante :
dV = γw dFN ds (3.50)
dV et dFN prennent la forme suivant
dV = dDw dΩ (3.51)
dFN = P dΩ (3.52)
dDw est la profondeur d’usure, dΩ est la surface de contact et P la pression normale

de contact (Figure 3.10).
Fig. 3.10 – Pression normale de contact et forces de contact sur les noeuds.
La combinaison des équations 3.50, 3.51 et 3.52 donne :
∆Dw = γw P ∆s (3.53)
La forme discrétisée de l’équations 3.53 permet d’écrire :

n
X
∆Dw = γw Pi ∆si (3.54)
i=1
n est le nombre de noeuds appartenant à la surface de contact outil/pièce.

Pour l’intégration numérique de la loi d’usure, on considère donc un intervalle
109
de temps [tn , tn+1 ] correspondant aux incréments n et n+1 ce qui permet d’écrire :

(Dw )n+1 = (Dw )n + γw Pn+1 sn+1 − sn+1 (3.55)
La figure 3.11 montre l’allure générale d’évolution de l’usure d’un outil traduite
en termes de perte de masse en surface. Sur cette courbe on distingue en particulier
3 domaines :
– OA : Usure rapide (Rodage).
– AB : Usure progressive linéaire (domaine d’utilisation de l’outil).
– BC : Usure rapide et dégradation de l’outil.
Fig. 3.11 – Évolution de l’usure des outils.
Si on néglige la phase de rodage (domaine OA), on constate que l’usure évolue

d’une façon linéaire jusqu’à la dégradation finale de l’outil.
Le volume d’usure en fonction du nombre de pièces fabriquées peut être alors
obtenu en appliquant l’équation (3.54). Dans ce cas, on peut écrire :
n
X
Dw = Npf × γw Pi ∆si (3.56)
i=1
Npf est le nombre de pièces fabriquées.

Le comportement du matériau à l’interface tôle/poinçon et tôle/matrice est mo-
délisé par la loi de frottement de Coulomb, et on l’utilise pour le calcul des éléments
d’interface entre les deux solides susceptibles d’entrer en contact. Un système de
coordonnées locales est construit pour calculer la pression et la contrainte tangen-
tielle lorsque les noeuds appartenant au solide A entrent en contact avec le solide B
comme montré sur la figure 3.12
110
Fig. 3.12 – Modélisation du contact
Le comportement de l’élément peut être décomposé en deux phases [ABA, Car94] :

– une phase pseudo-élastique qui correspond à une phase de glissement réver-
sible,
– une phase pseudo-plastique qui correspond à une phase de glissement irréver-
sible.
Si on applique l’hypothèse de partition des déformations, l’incrément de déformation
s’écrit :
dγ = dγel + dγgliss (3.57)
γel désigne le glissement élastique tangentiel et γgliss désigne le glissement irréver-

sible.
Le comportement restant élastique tant que la contrainte tangentielle ne dépasse
pas la contrainte critique de glissement τcrit , on a :
γel (t + ∆t) = γel (t) + ∆γ avec γgliss = 0 (3.58)
τcrit est donné par la relation :
τcrit = µP (3.59)
µ désigne le coefficient de frottement et P la pression de contact.

Dans ce cas, la loi élastique est donnée par :
dτ = Ks dγ (3.60)
Ks est la raideur de collage.

Si τ ≥ µ · P , il y a glissement relatif irréversible entre les deux solides. Dans ce
111
cas l’expression de la contrainte tangentielle devient :
τ
dτ = Ks dγ + dP (3.61)
P
La loi d’écoulement normale fournit l’expression du glissement irréversible comme

suit à l’aide du multiplicateur plastique λ :

τ
dγgliss = λd (3.62)
µP
Ces équations définissant le comportement à l’interface, il suffit de les intégrer

sur un incrément de temps pour obtenir les valeurs de la pression et la contrainte
tangentielle engendrées par le contact.
3.2.3 Prédiction de la fatigue par éléments finis
Comme nous l’avons déjà rappelé, d’une manière générale le phénomène de fa-
tigue se manifeste dans tout type de structure soumise à des chargements cycliques.
Le danger essentiel est que la rupture peut se produire à tout moment en service
pour des contraintes nominales souvent en-dessous de la limite élastique. De plus
cette rupture n’est accompagnée d’aucune modification de la forme globale de la
structure ou de la pièce autrement dit sans déformation préalable. Un des moyens
les plus efficaces pour éviter cette rupture soudaine est d’essayer de prédire la durée
de vie des pièces sollicitées en fatigue par une modélisation par éléments finis.
3.2.3.2 Critère de von Mises. Application en fatigue
Le chargement cyclique entraı̂ne un état complexe du comportement du maté-

riau. Afin de comprendre et de modéliser le comportement du matériau soumis au
chargement cyclique on peut utiliser les critères de rupture sous contraintes statiques
au cas de la fatigue en vue de déterminer la limite d’endurance sous contraintes com-
binées.
Comme les fissures de fatigue se propagent généralement à la surface, on peut
considérer uniquement un état biaxial de contraintes (une des trois tensions princi-
pales étant nulle).
Si c1 , c2 représentent les amplitudes des contraintes principales en surface, la
112
limite d’endurance en sollicitations simples σe , le critère de Von Mises s’écrit :
c21 + c22 + c1 c2 = σe2 (3.63)
3.2.3.3 Fatigue multiaxiale en utilisant les contraintes équivalentes
Comme la fissuration par fatigue commence habituellement à la surface d’un com-

posant, sous sollicitations combinées, l’état de contraintes induit dans la pièce est
un état de contraintes complexe triaxial au milieu et biaxial (ou état de contraintes
planes) en surface. La fatigue étant un phénomène de surface, l’étude de cet état de
contraintes complexe se ramène donc à un problème d’état de contraintes planes.
L’hypothèse essentielle est basée sur la réduction du problème multiaxial à un pro-
blème uniaxial. L’équation uni-axiale de la durée de vie par fatigue basée sur la
contrainte locale est [Dra99] :
∆ε σf
= (2 · Nf )b + εf (2 · Nf )c (3.64)
2 E
où : ∆ε est l’amplitude de la déformation, Nf est la durée de vie par fatigue, E est
le module d’Young, σf , εf , b et c sont des coefficients du matériau.
Il existe aussi d’autres méthodes pour l’étude en fatigue multiaxiale. Pitoset
[Pit01] dans ses travaux de recherche a utilisé des méthodes spectrales afin d’ana-
lyser le comportement en fatigue des structures métalliques sous chargements aléa-
toires multiaxiaux. Une autre approche pour le cas de la fatigue multiaxiale est de
maintenir la forme de l’équation 3.64, mais d’utiliser un autre paramètre pour la dé-
formation du côté gauche de l’égalité, tout en faisant les changements correspondants
aux paramètres du côté droit. Liu et al [Liu05] proposent une relation empirique pour
la modélisation de la fatigue multiaxiale à charges d’amplitude constante.
3.2.3.4 Dommage en fatigue
Une des lois les plus utilisées pour le calcul du dommage en fatigue est celle
proposée par Miner [Min45]. L’hypothèse sur laquelle cette loi repose est la suivante :
l’application de ni cycles au niveau de contrainte ci pour lequel le nombre moyen de
cycles à rupture est Ni entraı̂ne un accroissement du dommage égal à ni /Ni .
La rupture intervient quand :
Xn
i
=1 (3.65)
i=1
Ni
Quand on veut calculer le dommage cumulé par une pièce qui a subi plusieurs
113
sollicitations cycliques on peut superposer leurs effets. Followell [Fol91] a calculé

le dommage total subi par une pièce sollicitée en même temps par deux types de
chargements cycliques. Il s’agit de vibrations et de sollicitations thermiques.
Dans un premier temps, il a calculé le dommage pour chaque sollicitation cy-
clique :
Pour les vibrations le dommage Dv sera :
nv
Dv = (3.66)
Nv
Pour les sollicitations thermiques le dommage Dt sera :
nt
Dt = (3.67)
Nt
Avec :
– nv le nombre actuel de cycles en vibration
– Nv le nombre de cycle en vibration qui va entraı̂ner la ruine
– nt le nombre actuel de cycles en sollicitation thermique
– Nt le nombre de cycle en sollicitation thermique qui va entraı̂ner la ruine
Le dommage total D est calculé par la combinaison suivante :
X
nv nt
D= ( + )≤1 (3.68)
Nv Nt
Le dommage total est plus petit ou égal à 1 parce que la ruine de la pièce n’est
pas souhaitée.
3.3 Conclusions
La Méthode des Éléments Finis est devenue aujourd’hui une technique courante
dans le calcul mécanique. La tendance actuelle dans l’industrie est d’améliorer la
qualité des produits, par l’intégration d’algorithmes d’optimisation adaptés et l’au-
tomatisation des processus correspondants afin d’augmenter leur productivité. Dans
ce but ce chapitre vient de répondre aux exigences actuelles de l’industrie en pro-
posant des modèles éléments finis originaux couplés avec des approches modernes
d’optimisation par plan d’expériences présentées au chapitre précédent et des al-
gorithmes d’endommagement pour résoudre des problèmes de défaillances comme
l’usure des outils pendant l’extrusion ou le retour élastique pendant le pliage ou
l’emboutissage de tôles. Dans le chapitre suivant nous allons présenter un outil d’op-
114
3.3. CONCLUSIONS
timisation conçu pour faciliter la mise en oeuvre des nouvelles méthodes proposées
dans ce rapport.
115
116
Chapitre 4
OPTIFORM
Logiciel d’OPTImisation des
procédés de mise en FORMe.
Ce chapitre est consacré à la présentation d’un logiciel d’optimisation, appelé

OPTIFORM, conçu dans le but de fournir à l’utilisateur un moyen simple et effi-
cace lui servent de support pour le processus d’optimisation. OPTIFORM permet
une meilleure maı̂trise de la variation des caractéristiques opératoires des procédés
par la présentation des nouvelles méthodes d’optimisation par plans d’expériences
numériques. Les plans d’expériences les plus utilisés tels que les plans complets, les
plans fractionnaires ou les plans pour surfaces de réponse sont implémentés dans l’ap-
plication. Ces plans permettent tout d’abord une diminution du nombre des facteurs
d’un processus par la technique de criblage (plans complets ou fractionnaires) et par
la suite l’optimisation de la fonction objectif proposée par les plans d’expériences
pour surfaces de réponse (plans composites centrés ou D-optimal [Mon01]). L’inter-
face graphique réalisée, facilite la communication avec l’utilisateur. Finalement on
présente les étapes à suivre pour optimiser un processus avec OPTIFORM.
117
CHAPITRE 4. PRESENTATION DU LOGICIEL OPTIFORM
118
4.1. INTRODUCTION
4.1 Introduction
Dans la majorité des cas l’expérimentation sur le système réel, n’est pas pratique,
voire impossible et les coûts qui en résultent sont très élevés sans pouvoir prévoir
le comportement du système pendant ou après l’expérimentation. Dans le proces-
sus d’optimisation les expérimentations réelles sont évidemment très longues et très
chères comparées aux simulations numériques. Cependant, des modèles numériques
remplacent de plus en plus les phénomènes réels et couplés à un algorithme appro-
prié d’optimisation, peuvent être efficacement utilisés pour réduire au minimum les
risques provoqués par de différents modes de défaillances (rupture, usure, fatigue)
lors de la mise en forme. A part les expérimentations sur le système réel, la simu-
lation numérique est la seule technique disponible pour l’analyse du comportement
d’un système quelconque.
Le caractère numérique des expériences justifie la création et la mise au point d’un

outil d’optimisation, afin d’automatiser et de faciliter l’application de la Méthodo-
logie des Plans d’Expériences (MPE) et celle des stratégies d’optimisation par
plans d’expériences à partir de simulations numériques. Il s’agit d’un outil informa-
tique qui permet de déterminer de manière automatique et rapide, l’optimum d’un
certain processus, permettant d’obtenir des produits respectant un certain nombre
de critères de qualité.
Pour le rendre plus convivial et faciliter l’utilisation de cet outil d’optimisation,

nous avons développé une interface graphique. La réalisation de cet outil informa-
tique a nécessité la mise au point de plusieurs aspects tels que :
– Le développement de plusieurs algorithmes pour la génération automatique

des plans d’expériences les plus utilisés et adaptés à notre besoin.
– Le développement d’une interface graphique afin de permettre l’utilisation de
cet outil de façon conviviale.
– L’utilisation et l’implémentation des différentes bases de données déjà exis-
tantes [Ben94b] concernant les différents types de plans d’expériences pour
des problèmes particuliers.
– La préparation des modèles types par Éléments Finis implémentés dans le
code de calcul ABAQUS [ABA], correspondant à plusieurs procédés de mise
en forme : pliage, extrusion, découpage, emboutissage, etc.
– L’intégration dans cet enchaı̂nement des différentes techniques d’optimisation
afin de rendre le système fiable et capable de répondre à des conditions d’uti-
lisation de plus en plus sévères.
119
4.2 Principe de fonctionnement d’OPTIFORM
Plus généralement, OPTIFORM va être conçu de façon à servir de structure

d’accueil aux développements portant sur l’optimisation des procédés industriels de
mise en forme.
Le développement de cet outil est nécessaire à l’application de la méthodologie
des plans d’expériences et des techniques d’optimisation par plans d’expériences
ou par d’autres méthodes parce qu’il facilite la tâche de l’utilisateur et il le rend
utilisable même pour des non initiés à la statistique. Notre application possède des
fonctionnalités pouvant être regroupées en 3 parties (Figure 4.1).
'
!
!" (
#$
% &%
Fig. 4.1 – Les trois fonctions de OPTIFORM
1. Définir et élaborer les plans d’expériences (pré-processeur). Préparer la confi-

guration du fichier qui va générer les N essais numériques donnés par la confi-
guration de chaque plan d’expériences, fonction de l’objectif proposé.
2. Réalisation des calculs (Simulations numériques par ABAQUS) [ABA]. Éla-

borer le modèle éléments finis du processus proposé pour l’optimisation. Chaque
configuration du plan d’expériences va être simulée par ABAQUS [ABA] de
façon automatique.
3. Exploitation des résultats (post-processeur). Une fois les calculs achevés, l’ex-
ploitation des résultats peut être menée. On considérera ici :
– l’analyse des données de simulation (Analyse statistique)
– la représentation graphique des données de simulation.
120
4.3. INTERFACE GRAPHIQUE - ASPECT VISUEL
4.3 Interface graphique - aspect visuel

L’application est en fait une interface graphique (Figure 4.2)), programmée en
Visual Basic [Bab04], qui permet l’utilisation facile des plans d’expériences même
pour des non spécialistes en statistique, dans le but d’optimiser un procédé ou tout
autre système.
Fig. 4.2 – Outil d’optimisation.
La fenêtre principale (Figure 4.3) possède une barre de menu dont la fonction
est, de faciliter l’accès aux différentes commandes de l’application.
Fig. 4.3 – Fenêtre principale
Le tableau 3.1 donne le contenu des principaux menus et des sous-menus.

"# $
$&
(
(
'$
$
$
!
Tab. 4.1 – Liste des menus et sous-menus de l’application.
Pour la première étape - pré-processeur - l’utilisateur peut choisir entre les diffé-
rents types de plans d’expériences qui sont fréquemment utilisés pour identifier les
121
facteurs les plus influents d’un certain processus - plans de criblage ou de screening
(Figure 4.4).
Fig. 4.4 – Boı̂te de dialogue pour les plans de screening.
Ces plans (Figure 4.5) sont générés automatiquement par des sous-programmes
écrits en langage Fortran [Del02, Gou83, Kri75, Pel71, Str86].
Fig. 4.5 – Plan composite centré à 2 facteurs- génération automatique.
En fonction du degré de complexité du problème étudié on peut utiliser aussi les

différents plans d’expériences - plans multifactoriels [Ben94b], plans proposés par la
base de données implémentée dans l’application (Figure 4.6)
122
Fig. 4.6 – Base de données - plans d’expériences spéciaux.
Dans le cas où le problème a un caractère fortement non-linéaire on utilise des

plans d’expériences pour surfaces de réponse (Figure 4.7) qui sont les mieux adaptés
pour résoudre un tel problème.
Fig. 4.7 – Boı̂te de dialogue - plans d’expériences pour surfaces de réponse
Un SCRIPT en langage Python permet l’automatisation du calcul numérique.

Ainsi pour chaque configuration de la matrice d’expériences, un nouveau set de
valeurs est transmis automatiquement au Modèle Eléments Finis (MEF) établi
a priori et qui correspond au processus étudié (Exemple - pliage - Figure 4.8).
123
!
! ! "
Fig. 4.8 – Le schéma d’optimisation du processus de pliage.
Dans cette approche le temps nécessaire pour changer manuellement tous les
paramètres correspondant à une configuration donnée, est d’autant plus grand que
le nombre de paramètres est plus important. Un MEF a été défini a priori pour
chaque procédé qui va être étudié. Notre intérêt dans ce travail a été orienté vers
des processus de mise en forme (pliage, extrusion, emboutissage, etc.), mais l’appli-
cation peut-être utilisée pour optimiser tout processus ou système, à condition de
pouvoir lui associer un MEF. Le menu procédé (Figure 4.9) a été introduit pour
que l’utilisateur trouve facilement des informations sur le procédé à optimiser ainsi
que les conditions particulières imposées pour celui-ci.
124
Facteurs d’étude
Fig. 4.9 – Menu Procédé.
Dans les sous-menus (Figure 4.10) on peut trouver des informations sur les fac-
teurs supposés être les plus influents, facteurs qui ont été implémentés dans le modèle
éléments finis, défini a priori pour chaque procédé.
Fig. 4.10 – Informations sur le procédé
L’exploitation des résultats est faite dans l’étape de post-processeur d’abord par
une analyse statistique pour identifier les paramètres influents du processus, mais
aussi par des représentations graphiques (Surfaces de Réponse). L’utilisation des dif-
férents algorithmes d’optimisation (la méthode de régression pas à pas) (Figure 4.11)
nous permet l’obtention du meilleur sous modèle qui explique la fonction objectif,
ou la minimisation/maximisation (l’algorithme de Newton) de la réponse souhai-
tée. Ces algorithmes ont été intégrés dans le module d’optimisation. Dans le même
but ont été développés des algorithmes d’optimisation multicritères (Technique de
Ch’ng) [Lep05d] et aussi l’optimisation à l’aide du calcul par intervalles qui est une
nouvelle méthode abordée dans cette thèse [Lep05a].
125
Fig. 4.11 – Régression pas à pas et tableau ANOVA
Dans le menu Annexes on peut trouver différents tableaux pour des matrices
d’expériences ainsi que des informations théoriques sur les statistiques de base et
sur les différents types d’algorithmes. Ces informations ont pour but de familiariser
l’utilisateur avec les fonctions de l’application ainsi que de lui offrir des connaissances
minimales sur chaque module.
4.4 Processus d’optimisation avec OPTIFORM

Afin de rendre l’outil convivial, OPTIFORM propose une optimisation simple,
par plans d’expériences à partir des simulations numériques. En effet son fonction-
nement est de type séquentiel, il sera présenté en détail par la suite.
La figure 4.12 présente les 5 étapes à suivre pour optimiser un procédé avec
OPTIFORM.
126
4.4. PROCESSUS D’OPTIMISATION AVEC OPTIFORM
1 IDENTIFICATION DES PARAMETRES DU PROCESSUS

Dynamic Dynamic
behaviorMatrice
behavior La presse Les mesures
Comportment
F L’usure de
l’outil
géométrique
Comportment L’interférence de
Effet thermique
(sur la machine)
Plan d’expériences
l’opérateur
Lopin Matrice Géométrie de

dynamique
Comportement
La vibration
Effet thermique
(sur les pièces)
l’outil cinématique
de la Terre Variation
Matériau de Propriétés de la Température
l’outil thermiques La qualité
Grandeurs Savoir faire de la pièce
simplifiées
Localisation Education
& plan
Algorithmes Performance
simplifiés
Type de
Extrusion Le lopin
l’éprouvette
Stratégie de L’opérateur
mesure
2 ETABLIR LA FONCTION OBJECTIF A OPTIMISER
Matrice
Volume d’usure
Y = f(X)
Usure
Fatigue
3 REALISATION DES ESSAIS par PLANS D’EXPERIENCES NUMERIQUES
Création du modèle numérique Plan d’expériences

SCRIPT
en code ABAQUS en
PYTHON
Déplacement
appliqué
Automatiser le
calcul
4 OPTIMISATION DE LA FONCTION OBJECTIF
Min(Y) Xmin
ou ou
Max(Y) Xmax
Surface de réponse
5 VALIDATION NUMERIQUE EN CONDITIONS OPTIMALES
Y = f(Xoptimal)
Fig. 4.12 – Organigramme du processus d’optimisation avec OPTIFORM
127
4.4.1 Identification des paramètres du processus
1 IDENTIFICATION DES PARAMETRES DU PPROCESSUS

Dynamic Dynamic
behaviorMatrice
behavior La presse Les mesures
Comportment
F L’usure de
l’outil
géométrique
Comportment L’interférence de
Effet thermique
(sur la machine)
Plan d’expériences
l’opérateur
Lopin Matrice Géométrie de

dynamique
Comportement
Effet thermique
(sur les pièces)
l’outil cinématique La vibration
de la Terre Variation
Matériau de Propriétés de la Température
l’outil thermiques La qualité
Grandeurs Savoir faire de la pièce
simplifiées
Localisation Education
& plan
Algorithmes Performance
simplifiés
Type de
l’éprouvette
Le lopin Stratégie de L’opérateur

mesure
Fig. 4.13 – Identification des paramètres du processus
Pour un processus de fabrication il existe de nombreuses sources de variations

et les ingénieurs ont la difficile tâche de les identifier. Les paramètres du processus
susceptibles d’influencer de manière significative le bon déroulement de celui-ci sont
des variables parfois peu connues comme celle de l’environnement qui est très difficile
à maı̂triser. Mais, même si on connaı̂t toutes les variables du processus, il existe des
interactions entre celles ci qui peuvent expliquer les variations des caractéristiques de
fabrication des pièces mécaniques comme il est montré dans le diagramme d’Ishikawa
(Figure 4.14). A l’aide de ce diagramme, on peut identifier d’une façon précise les
causes des défaillances du processus à optimiser qui ont comme conséquence directe
la réduction de la QUALITE.
"
# $
"
! %
!
"
'
&
Fig. 4.14 – Diagramme d’Ishikawa
L’identification des paramètres d’un processus (Figure 4.14) peut-être faite :
128
– par expérience (retour d’expériences, connaissances a priori ou l’avis d’experts)

– en consultant la littérature spécialisée dans le domaine (revues, articles, etc.)
– par déduction (nécessite une grande expérience).
Après avoir identifié tous les facteurs susceptibles d’influencer le processus il faut
chercher à diminuer leur nombre, faute de quoi, il y aura un grand nombre d’essais
à faire afin de réduire la variabilité, et par conséquent une augmentation du coût
du processus d’optimisation. Afin de réduire le nombre des facteurs influençant le
processus nous avons utilisé la technique de screening ou la technique de criblage.
Par cette technique issue de la méthodologie des plans d’expériences nous avons
réussi à éliminer tous les facteurs ayant peu ou pas d’influence sur le processus.
Les plans d’expériences utilisés le plus souvent pour atteindre cet objectif (réduire
le nombre des facteurs) sont des plans factoriels complets à deux niveaux.
L’identification des paramètres ayant une influence significative sur le processus
à optimiser détermine une meilleure maı̂trise de celui-ci, qui va se traduire essentiel-
lement par une réduction du taux de rebut et un resserrement de la dispersion des
caractéristiques des produits.
4.4.2 Établissement de la fonction objectif à optimiser
2
ETABLIR LA FONCTION OBJECTIF A OPTIMISER
Matrice
Y = f(X)
Volume d’usure
Usure
Fatigue
Fig. 4.15 – Établissement de la fonction objectif à optimiser
Dans le processus d’optimisation, le choix de la fonction objectif (Figure 4.15)

ou réponse du système à optimiser, est une tâche lourde pour les ingénieurs. Tout
d’abord parce que les défaillances d’un processus sont difficilement maı̂trisables par
une fonction objectif contenant une seule réponse à optimiser. Si on prend par
exemple le processus d’extrusion on ne sait pas laquelle des deux réponses (l’usure
ou l’apparition des fissures dans le lopin) il faut privilégier. L’idéal serait de prendre
une fonction multiobjectifs, mais cela demande plusieurs paramètres à régler et l’op-
timisation sera difficile à réaliser. L’optimisation globale d’un processus industriel
est une démarche de plus en plus utilisée car elle a une incidence économique forte.
129
Le choix de la fonction objectif est en effet lié aux intérêts économiques de l’en-
treprise et bien entendu fonction des défaillances apparues dans le procédé de fa-
brication. Ces défaillances représentent en effet le coût de la non-qualité payé par
l’entreprise qui risque de devenir un facteur majeur pour les politiques économiques
des entreprises. A titre d’exemple, on peut présenter les défaillances pour les pro-
cédés de pliage, d’emboutissage ou d’extrusion qui pourront être choisies comme
fonctions objectifs afin d’optimiser le processus concerné. Comme nous l’avons dit
auparavant une défaillance majeure pour les procédés de pliage et d’emboutissage
est le retour élastique qui peut entraı̂ner des variations dimensionnelles de la géomé-
trie finale des pièces. Ces variations pourront conduire à un taux de rebut important
et par conséquent il faut réduire voir éliminer la cause - le retour élastique.
En ce qui concerne le processus d’extrusion il existe de nombreuses sources de dé-
faillances mais nous avons orienté notre étude sur le phénomène d’usure de la matrice
qui est un phénomène très complexe qui peut engendrer des variations dimension-
nelles et de rugosité importantes. Toujours sur l’extrusion nous avons étendu notre
recherche par une nouvelle modélisation par éléments finis, afin de pouvoir prendre
en compte la fatigue influencée très fortement par la température.
4.4.3 Réalisation des essais par plans d’expériences numé-

riques
! ' "&
" #
$ %
&
" "
Fig. 4.16 – Réalisation des essais par plans d’expériences numériques
Le développement des méthodes de calcul (éléments finis, techniques de résolu-

tion et de discrétisation) associé à l’efficacité croissante des moyens informatiques
permettent à l’aide d’investissements relativement modestes de simuler le comporte-
ment de procédés industriels dans des conditions générales de plus en plus adaptées
à une marché concurrentiel. De plus, ces outils constituent maintenant un moyen
efficace de conception en s’appuyant sur des procédures d’optimisation, des tech-
130
niques d’approximation et de plans d’expériences numériques évitent la réalisation

de maquettes intermédiaires toujours très coûteuses. L’optimisation d’un processus
de fabrication a par exemple pour cadre soit l’amélioration de l’existant par modifi-
cation des paramètres vis à vis de nouveaux objectifs ou limitations, soit l’émergence
de nouvelles conceptions par l’optimisation de la variabilité sous tous ses aspects.
La réalisation des essais numériques (Figure 4.16) est faite à partir des modèles
éléments finis pour chaque procédé. Ces modèles doivent répondre à un certain
nombre d’exigences de façon à reproduire le plus fidèlement possible le phénomène
réel proposé par cette modélisation. C’est à cette étape qu’il faut être très vigilant
car les résultats des simulations dépendent beaucoup de cette modélisation et l’ob-
jectivité des conclusions est par conséquent liée à celle-ci. Des modèles éléments finis
de différents procédés comme le pliage, l’extrusion ou l’emboutissage ont été utilisés
dans ce rapport afin de proposer des solutions pour diminuer la variation de leurs
paramètres opératoires.
En fonction du nombre des paramètres pris en considération pour le processus
d’optimisation il est très probable que le nombre des essais à réaliser soit très grand
et que le temps nécessaire pour les changements demandés à chaque configuration
du plan d’expériences soit lui aussi en même temps très grand. Afin de pallier à cet
inconvénient nous avons développé un SCRIPT en langage Python qui permet le
changement automatique des paramètres pour toutes les configurations proposées
par le plan d’expériences utilisé.
4.4.4 Optimisation de la fonction objectif
4 OPTIMISATION DE LA FONCTION OBJECTIF
Min(Y) Xmin
ou ou
Max(Y) Xmax
Surface de réponse
Fig. 4.17 – Optimisation de la fonction objectif
L’élaboration d’un produit, passe toujours par une phase d’optimisation desti-
née à minimiser les coûts ou/et maximiser ces performances. De façon schématique
un problème d’optimisation consiste à maximiser ou à minimiser une fonction ap-
pelée fonction objectif ou réponse sous un certain nombre de conditions appelées
131
contraintes. Le but d’une telle démarche est de minimiser le volume de calculs né-
cessaires à la réalisation des produits afin de réduire au minimum le temps de concep-
tion, facteur clef de la réussite d’une entreprise. Mais il ne faut pas oublier que le
processus de fabrication dans sa complexité est soumis à un très grand nombre de
contraintes telles que :
– Contraintes techniques,
– Contraintes du marché dont les besoins évoluent sans cesse (attentes des clients,
nouveaux produits concurrents...),
– Contraintes économiques.
La méthodologie des plans d’expériences nous a permis de définir une surface de
réponse pour chaque fonction objectif à optimiser (Figure 4.17). L’équation de la
surface de réponse établie par cette voie permet de déterminer les conditions opti-
males du processus en utilisant soit l’analyse canonique [Mon01] qui est une analyse
spécifique à la méthodologie de la surface de réponse, soit d’autres algorithmes d’op-
timisation (algorithme de Newton, calcul par intervalle ou d’autres algorithmes)
développés avec des routines en langage fortran ou C ++ .
4.4.5 Validation numérique en conditions optimales
5
VALIDATION NUMERIQUE EN CONDITIONS OPTIMALES
Y = f(Xoptimal)
Fig. 4.18 – Validation numérique en conditions optimales
L’expérimentateur devra vérifier que la prédiction donnée par le modèle théorique

ne s’éloigne pas trop de la réalité. En effet, on vérifiera que le modèle théorique donne
une bonne image du système au voisinage de la configuration optimale. Il faut vérifier
cette hypothèse avant d’adopter définitivement les conclusions du plan d’expériences
utilisé. L’idéal est de réaliser une validation en conditions optimales par des essais
réels si on dispose des moyens financiers pour les réaliser.
Si la validation en conditions optimales (Figure 4.18) ne donne pas les résultats
attendues on devra mener les actions suivantes :
– réalisation d’autres simulations numériques
– remise en question du modèle obtenu par la surface de réponse
132
4.5. CONCLUSIONS
– changement du modèle éléments finis pour obtenir une meilleure correspon-

dance entre la modélisation numérique et la réalité.
4.5 Conclusions
Dans ce chapitre, nous avons présenté la discipline (Informatique rappelée au
début de ce rapport). En effet, il a été dédié à la présentation de l’outil d’optimisation
(OPTIFORM) conçu pour venir en aide à l’utilisateur qui ne sera pas forcement
un spécialiste des méthodes statistiques. Cet outil sert aussi de structure d’accueil
pour les méthodes d’optimisation implémentées ayant comme principale fonction
d’automatiser le calcul et de rendre ces méthodes plus conviviales et plus simples à
l’utilisation. Il peut être adapté à tout processus qui supporte une modélisation par
la méthode des éléments finis, ainsi que, pour des processus qui seront étudiés par
des essais réels.
133
134
Chapitre 5
Applications
Dans les précédents chapitres nous avons présenté des méthodes d’optimisation
ainsi que de nouveaux modèles éléments finis, capables de prendre en compte des
phénomènes complexes à caractère fortement non-linéaire comme ceux rencontrés
lors de la fabrication des pièces mécaniques.
L’objectif de ce chapitre est de valider les méthodes d’optimisation proposées
par des applications aux procédés de mise en forme tels que le pliage, l’extrusion ou
l’emboutissage. Dans ce contexte le retour élastique pour le processus de pliage est
diminué grâce à l’utilisation de la nouvelle approche par plans d’expériences
numériques. L’optimisation du procédé d’extrusion est faite par des modèles numé-
riques qui nous ont servi à la réduction de l’usure en utilisant la loi d’Archard. La
méthode de Ch’ng a été utilisée ici pour une optimisation simultanée de plusieurs
réponses dont la durée de vie de la matrice est parmi la plus importante. Parce que
la fatigue est une défaillance qui peut intervenir à tout moment, nous avons pro-
posé une nouvelle modélisation par éléments finis pour le procédé d’extrusion, afin
de pouvoir prendre en compte l’influence de la température. La méthode hybride
développée dans ce rapport a été utilisée afin de réduire le retour élastique après
l’emboutissage. L’application de ces méthodes dans le processus d’optimisation per-
met à la fois la validation de celles ci ainsi que de rendre les procédés de fabrication
de plus en plus robustes à toute sorte de variation. Pour faciliter la mise en oeuvre
de ces applications nous avons utilisé OPTIFORM qui a été conçu dans ce but.
135
136
5.1. OPTIMISATION DU PROCÉDÉ DE PLIAGE
5.1 Optimisation du procédé de pliage

5.1.1 Introduction
Dans ce paragraphe, on présente la validation de la nouvelle méthodologie d’opti-
misation par plans d’expériences numériques présentée au premier chapitre. A l’aide
de cette technique on propose l’optimisation des paramètres opératoires du procédé
de pliage, procédé présenté au même chapitre. L’approche s’appuit en effet sur un
manque dans l’étude des systèmes ou des processus par simulations numériques.
Elle concerne la méthodologie des plans d’expériences et par cette méthode on peut
étudier des processus avec un caractère fortement non linéaire. Pour connaı̂tre le ca-
ractère d’un processus qui est représenté par un modèle polynomial il faut d’abord
pouvoir réaliser une variabilité au centre du domaine d’étude. Pour les essais obte-
nus par simulations numériques il n’existe pas de variabilité car les conditions pour
chaque simulation resteront toujours les mêmes. Cette méthode nous apporte la so-
lution en proposant des points peu décalés autour du centre du domaine d’étude.
5.1.2 Le choix des variables du processus

Le Diagramme d’ISHIKAWA (cause/effet), ou diagramme en arête de poisson
(Figure 5.1) est un excellent outil, simple et rapide permettant d’identifier les causes
possibles qui affectent la qualité du procédé de pliage. Parmi ces causes on peut
citer : les outils (poinçon et matrice), le matériau, l’environnement, l’opérateur, le
produit, etc.
"
$
Fig. 5.1 – Diagramme d’ISHIKAWA pour le pliage.
Facteurs :
Pour un matériau donné il existe de nombreuses causes qui peuvent influencer son
137
CHAPITRE 5. APPLICATIONS
comportement pendant le formage. Pour cette analyse nous avons considéré qu’il
était nécessaire de contrôler les facteurs, qui sont donnés dans le tableau 5.1.
Réponse Type Unité Limite inf Limite sup Description

A continu mm 4 6 Rayon de pliage
B continu mm 3 4 Épaisseur de la tôle pliée
C continu mm 1 3 Jeu
D continu mm 50 70 Longueur du pli
E qualitatif Acier 1 - Acier 2 Type de matériau des tôles pliées
Tab. 5.1 – Caractéristiques des facteurs
Réponse :
Le retour élastique (Table 5.2) a été choisi comme fonction objectif. Il est considéré
parmi les causes principales qui peuvent entraı̂ner des défauts après le procédé de
pliage (Voir chapitre 1).
Réponse Unité de mesure Description

Y 0˚ Retour élastique
Tab. 5.2 – Caractéristiques de la réponse du problème
Problème d’optimisation.
Les objectifs de cette étude sont :
– hiérarchiser les facteurs - étude de screening.
– valider la nouvelle technique qui vérifie l’effet quadratique d’un modèle pour
des plans d’expériences numériques.
– optimiser (minimiser) la réponse Y - Le retour élastique.
5.1.3 Modélisation par éléments finis du procédé de pliage

Dans ce qui suit, le procédé sera simulé à l’aide d’OPTIFORM afin de mieux
comprendre le comportement des pièces après pliage (le retour élastique) et de déce-
ler les paramètres importants de cette opération. Les caractéristiques des matériaux
(E - le module d’élasticité, ν - le coefficient de Poisson, σy - la limite élastique, K -
le module de déformation ou de compressibilité, n - coefficient d’écrouissage) prises
en considération durant les simulations numériques, peuvent être retrouvées dans le
tableau 5.3
138
Materiau E(M P a) ν σy (M P a) K(M P a) n

Acier 1 210000 0.3 250 1045 0.2
Acier 2 200000 0.3 560 800 0.7
Tab. 5.3 – Caractéristiques des matériaux.
Le contact à l’interface entre la tôle et l’outil est modélisé en adoptant une hypo-
thèse de corps rigide utilisant des lois de surfaces de contact définies par un modèle
de frottement de type Coulomb. Des valeurs typiques du coefficient de frottement
sont indiquées par [Kal91, Kur85] pour différentes combinaisons des contacts entre
matériaux. Pour le contact acier/acier, la valeur typique du coefficient de frottement
est égale à 0.1. La figure 5.2 présente les différentes étapes de la simulation numé-
rique du processus de pliage [Lep05b] et la figure 5.3 les paramètres opératoires du
même processus.
Fig. 5.2 – Les étapes de la simulations numérique du pliage.
Le maillage de la tôle comprend des éléments en déformation plane bilinéaire à

trois et à quatre noeuds de type CPE3 respectivement CPE4 pour le code Abaqus.
Dans cette application, les outils ont été modélisés par des corps rigides. La géométrie
et la position initiale des outils sont reportées sur la figure 5.3.
Fig. 5.3 – Les paramètres et la géométrie du modèle de la simulation numérique du

pliage.
139
5.1.4 Analyse de screening

On recherche dans un premier temps les influences réelles des 5 facteurs vis-à-vis
des variations de la réponse. On réalise pour cela une analyse de screening.
Plan complet
L’étude d’un plan complet consiste à étudier toutes les combinaisons possibles des
facteurs pris en considération dans l’analyse. Tous les facteurs comportent 2 niveaux
chacun. Le nombre des expériences (N ) ou simulations, nécessaire, pour l’ensemble
des combinaisons peut être calculé facilement par l’expression.
N = 2k (5.1)
où : k est le nombre de facteurs.
No ess A B C D E A B C D E Y
Niveaux codées Niveaux réels
1 -1 -1 -1 -1 -1 4 3 1 50 1 2.7433
2 1 -1 -1 -1 -1 6 3 1 50 1 3.1858
3 -1 1 -1 -1 -1 4 4 1 50 1 2.5727
4 1 1 -1 -1 -1 6 4 1 50 1 2.8683
5 -1 -1 1 -1 -1 4 3 3 50 1 3.0503
6 1 -1 1 -1 -1 6 3 3 50 1 3.4928
7 -1 1 1 -1 -1 4 4 3 50 1 2.8797
8 1 1 1 -1 -1 6 4 3 50 1 3.1753
9 -1 -1 -1 1 -1 4 3 1 70 1 2.7433
10 1 -1 -1 1 -1 6 3 1 70 1 3.1858
11 -1 1 -1 1 -1 4 4 1 70 1 2.5727
12 1 1 -1 1 -1 6 4 1 70 1 2.8683
13 -1 -1 1 1 -1 4 3 3 70 1 3.0503
14 1 -1 1 1 -1 6 3 3 70 1 3.4928
15 -1 1 1 1 -1 4 4 3 70 1 2.8797
16 1 1 1 1 -1 6 4 3 70 1 3.1753
17 -1 -1 -1 -1 1 4 3 1 50 2 2.6852
18 1 -1 -1 -1 1 6 3 1 50 2 2.9977
19 -1 1 -1 -1 1 4 4 1 50 2 2.5878
20 1 1 -1 -1 1 6 4 1 50 2 2.7433
21 -1 -1 1 -1 1 4 3 3 50 2 3.156
22 1 -1 1 -1 1 6 3 3 50 2 3.4685
23 -1 1 1 -1 1 4 4 3 50 2 3.0586
24 1 1 1 -1 1 6 4 3 50 2 3.2141
25 -1 -1 -1 1 1 4 3 1 70 2 2.6852
26 1 -1 -1 1 1 6 3 1 70 2 2.9977
27 -1 1 -1 1 1 4 4 1 70 2 2.5878
28 1 1 -1 1 1 6 4 1 70 2 2.7433
29 -1 -1 1 1 1 4 3 3 70 2 3.156
30 1 -1 1 1 1 6 3 3 70 2 3.4685
31 -1 1 1 1 1 4 4 3 70 2 3.0586
32 1 1 1 1 1 6 4 3 70 2 3.2141
Tab. 5.4 – La matrice d’expériences et les résultats.
Les plans d’expériences factoriels complets sont théoriquement parfaits pour une
étude de screening, mais les délais et les coûts d’expérimentation deviennent impor-
140
tants dès que l’on dépasse 4 facteurs [Ale95]. Dans notre cas les expérimentations
sont des simulations numériques, donc cet inconvénient n’a pas lieu d’être.
Après avoir effectué les expérimentations, nous avons trouvé que parmi les 5
facteurs étudiés le facteur D (la longueur du pli) n’a aucune influence sur la réponse.
Donc l’analyse continue sans tenir compte de ce facteur.
Le diagramme du Pareto (Figure 5.4) nous montre l’influence de chacun des 4
facteurs analysés. Le plus influent est le facteur C (le jeu) suivi par A (le rayon), B
(l’épaisseur) et E (matériau). Le tableau 5.5 résume cette analyse :
Fig. 5.4 – Diagramme de Pareto
Facteurs A B C E
Ordre d’importance 2 3 1 4
Tab. 5.5 – L’importance des facteurs
Parmi les 4 facteurs analysés nous avons montré dans le tableau 5.1 que le facteur
E (matériau) est un facteur qualitatif. Notre analyse (analyse par surface de réponse)
ne peut pas prendre en considération par la suite un tel facteur [Pil97].
Parce que le nombre des facteurs est maintenant de 3 il faut refaire l’étude de
screening pour vérifier si l’influence de chacun de ces facteurs sur la réponse reste la
même.
141
No ess. A B C Y
1 -1 -1 -1 2,7433
2 1 -1 -1 3,1858
3 -1 1 -1 2,5727
4 1 1 -1 2,8683
5 -1 -1 1 3,0503
6 1 -1 1 3,4928
7 -1 1 1 2,8797
8 1 1 1 3,1753
Tab. 5.6 – Analyse de screening
Fig. 5.5 – Diagramme de Pareto pour le retour élastique
Le diagramme de Pareto (Figure 5.5) nous montre que les trois facteurs restent
influents pour l’étude, mais l’ordre d’importance entre les facteurs A et C a changé.
L’explication réside dans le fait que le facteur E (matériau) a une influence plus
grande pour le facteur C par rapport au facteur A. La tendance s’est inversée une
fois que le facteur E a été retiré de l’étude.
Donc on voit bien que les deux facteurs les plus influents pour l’étude du retour
élastique sont le rayon de la matrice et le jeu entre le poinçon et la tôle, conclusion
confirmée par [Mka03] et vérifiée expérimentalement dans ses travaux.
5.1.5 Analyse par Surface de Réponse

5.1.5.1 Vérification de l’effet quadratique du modèle proposé
Comme nous l’avons rappelé au deuxième chapitre cette application est utilisée
pour valider la méthode que nous avons proposée (Paragraphe 2.2). Cette nouvelle
approche nous permettra de connaı̂tre si la modélisation proposée pour un processus
est bien adaptée au phénomène étudié. En utilisant les relations (2.24, 2.25, 2.26 -
Chapitre 2) on obtient :
8 · 7(2.996 − 2.971)2
SSpure−quadratique = = 2.322 · 10−3 (5.2)
8+7
142
8.068 · 10−4
CM E = = 1.3446 · 10−4 (5.3)
6
Si Fratio ≥ Ftest ⇒ l’hypothèse H1 est acceptée
Fratio = 17.268 ≥ F(0.05,1,6) = 5.99 (5.4)
La statistique F nous confirme l’existence de l’effet quadratique. Donc l’hypo-

thèse non nulle H1 : b11 + b22 + b33 6= 0 est acceptée. On va vérifier cette hypothèse
par un plan composite centré, en deux variantes afin de mettre en évidence l’apport
de la nouvelle méthode.
5.1.5.2 Modèle quadratique avec un seul point au centre.
Le premier cas, cas I, consiste à étudier le plan composite centré avec un seul
point au centre (Tableau 5.7) afin de le comparer avec celui pour lequel on ajoute
des points peu décalés au centre du domaine d’étude (Figure 2.5).
A B C Y
1 -1 -1 -1 2,7433
2 1 -1 -1 3,1858
3 -1 1 -1 2,5727
4 1 1 -1 2,8683
5 -1 -1 1 3,0503
6 1 -1 1 3,4928
7 -1 1 1 2,8797
8 1 1 1 3,1753
9 -1,682 0 0 2,682
10 1,682 0 0 3,3064
11 0 -1,682 0 3,2629
12 0 1,682 0 2,8272
13 0 0 -1,682 2,6059
14 0 0 1,682 3,1741
15 0 0 0 2,9625
Tab. 5.7 – Plan Composite Centré - 1 point au centre.
Le diagramme de Pareto (Figure 5.6) nous montre l’existence de l’effet quadra-

tique pour la variable B, observation confirmée aussi par l’analyse de la variance
(Tableau 5.8).
143
Fig. 5.6 – Diagramme de Pareto - cas I
ANOVA - Variable Y
R2 = 0,99804 ; RA
2 . = 0,99452
SC dl MC F p
A (Linéaire) 0,46733 1 0,46733 1117,435 0
A (Quadratique) 0,001585 1 0,001585 3,791 0,109094
B (Linéaire) 0,213852 1 0,213852 511,343 0,000003
B (Quadratique) 0,007063 1 0,007063 16,888 0,009269
C (Linéaire) 0,349137 1 0,349137 834,824 0,000001
C (Quadratique) 0,002581 1 0,002581 6,172 0,05554
A(L) * B(L) 0,01079 1 0,01079 25,8 0,003837
A(L ) * C(L) 0 1 0 0 1
B(L) * C(L) 0 1 0 0 1
Erreur 0,002091 5 0,000418
Total SC 1,068981 14
Tab. 5.8 – Analyse de la variance.
L’analyse de la variance (Tableau 5.8) nous montre que le seul effet quadratique
est celui de la variable B.
La figure 5.7 représente la surface de réponse pour l’interaction entre les variables
A et B.
Fig. 5.7 – Surface de réponse interaction AB.
144
5.1.5.3 Modèle quadratique avec plusieurs points centraux.
Pour le deuxième cas, cas II, on va étudier l’effet d’avoir ajouté des points peu
décalés (Figure 2.5), ou des répétitions au centre du domaine d’étude. La distance
maximale (d1 = 0.046 · d - Figure 2.5) d’emplacement des points autour du centre
du domaine d’étude, a été déterminée avec exactitude après avoir effectué plusieurs
simulations numériques.
A B C Y
1 -1 -1 -1 2,7433
2 1 -1 -1 3,1858
3 -1 1 -1 2,5727
4 1 1 -1 2,8683
5 -1 -1 1 3,0503
6 1 -1 1 3,4928
7 -1 1 1 2,8797
8 1 1 1 3,1753
9 -1,682 0 0 2,682
10 1,682 0 0 3,3064
11 0 -1,682 0 3,2629
12 0 1,682 0 2,8272
13 0 0 -1,682 2,6059
14 0 0 1,682 3,1741
15 0 0 0 2,9625
16 0 0 0 2,9676
17 0 0 0 2,9712
18 0 0 0 2,9835
19 0 0 0 2,9878
20 0 0 0 2,9551
21 0 0 0 2,9699
Tab. 5.9 – Plan Composite Centré plusieurs points au centre.
Le diagramme de Pareto (Figure 5.8) nous signale déjà l’apparition des effets
quadratiques aussi pour les deux autres variables C et A, observation confirmée par
l’analyse de la variance (Tableau 5.10).
ANOVA - Variable Y
R2 = 0, 9986 ; RA
2 = 0, 995
SC dl MC F p
A (Linéaire) 0,46733 1 0,46733 1747,569 0
A (Quadratique) 0,002238 1 0,002238 8,368 0,014632
B (Linéaire) 0,213852 1 0,213852 799,695 0
B (Quadratique) 0,013678 1 0,013678 51,149 0,000019
C (Linéaire) 0,349137 1 0,349137 1305,59 0
C (Quadratique) 0,009104 1 0,009104 34,043 0,000113
A(L) * B(L) 0,01079 1 0,01079 40,348 0,000054
A(L ) * C(L) 0 1 0 0 1
B(L) * C(L) 0 1 0 0 1
Erreur 0,002942 11 0,000267
Total SC 1,070445 20
Tab. 5.10 – Analyse de la variance.
L’analyse de la variance (Tableau 5.10) nous confirme l’hypothèse faite au départ

qui consiste à vérifier l’effet quadratique pour un modèle obtenu par un plan d’expé-
145
Fig. 5.8 – Diagramme de Pareto - cas II
riences, suite à l’addition des points au centre du domaine d’étude. On voit bien ici
que l’addition des points peu décalés au centre du domaine d’étude apporte plus
d’informations pour les variables d’études.
On peut ajouter aussi que, l’addition de points peu décalés centraux pour
les plans d’expériences numériques, a une influence significative sur les propriétés
de la matrice d’expériences (précision uniforme) et nous apporte des informations
supplémentaires (effets quadratiques pour les variables C (Jeu) et A (Rayon)) qui
augmentent la performance du modèle proposé et qui donne une qualité meilleure
pour le modèle de travail. Pour cette raison les points au centre du domaine d’étude
sont appelés points de contrôle ou control runs en anglais.
Dans cette analyse nous avons présenté une nouvelle technique d’étude pour
mettre en évidence l’effet quadratique d’un modèle car les essais sont obtenus par des
simulations numériques. Cette technique permet aussi d’apporter plus d’informations
sur le modèle étudié, et elle ne dégrade surtout pas le modèle de départ. D. Benoist
dans son ouvrage [Ben94b] dit que, un plan composite centré n’est pas orthogonal
et ne peut jamais l’être . Mais, en augmentant le nombre de répétition de l’essai au
centre on tend vers l’orthogonalité .
Par cette analyse nous avons ouvert une voie vers l’utilisation des plans d’ex-
périences numériques pour l’étude de certains problèmes pour lesquels le modèle
du premier degré est inadéquat et qui peuvent être expliqués par des modèles du
deuxième degré, donc qui ont un caractère fortement non linéaire.
146
5.1.6 Optimisation du procédé

Afin d’établir un modèle pour expliquer la réponse il faut tout d’abord vérifier
la qualité de celui ci. Le test statistique qui mesure la qualité de la modélisation est
le Coefficient de corrélation multiple (R2 ), qui exprime le rapport entre la variance
expliquée par le modèle et la variance totale. Pour déterminer le meilleur sous-
modèle, pour chacun des sous-modèles candidats nous avons calculé R2 . La méthode
pas à pas utilisée, par son algorithme d’élimination (en anglais backward stepwise)
démarre du modèle complet et à chaque étape, la variable associée à la plus grande
valeur p (Table ANOVA) est éliminée du modèle [Bes03]. Cette méthode nous a
permis de classifier selon le degré d’ajustement et de choisir comme modèle l’équation
(en valeurs codées) :
Y = 2.971+0.185·A−0.125·B+0, 16·C +0.012·A2 +0.03·B 2 −0.025·C 2 −0.037·A·B

(5.5)
La valeur du R2 = 0.99725, signifie que la réponse est très bien expliquée par
le modèle proposé. L’équation du modèle choisi permet aussi de déduire les fac-
teurs principaux et les interactions correspondantes, ayant le moins d’influence (les
facteurs manquants) sur la perte de qualité du modèle original (modèle complet,
R2 = 0.9986).
5.1.7 Conclusions
Dans ce paragraphe nous avons présenté une méthode originale qui peut être
utilisée pour les plans d’expériences numériques. A l’aide de cette méthode on peut
établir si un modèle présente ou pas des effets quadratiques. L’approche proposée
présente un réel intérêt pour étudier des phénomènes, qui par leur complexité seront
susceptibles d’être non linéaires. L’application à l’optimisation du procédé de pliage
nous a permis de vérifier la méthode et de prouver son efficacité.
147
5.2 Optimisation du procédé d’extrusion
5.2.1 Introduction
Ce paragraphe est consacré à l’optimisation du procédé d’extrusion. Une intro-

duction sur le procédé et ses défaillances a été présentée au premier chapitre. Le
phénomène d’usure qui représente la principale cause de défaillance pour la matrice
est analysé ici. Ensuite nous présentons une analyse statistique sur les données, no-
tamment sur les composantes principales influençant le processus de dégradation
par l’usure. La partie finale de cette application est représentée par une optimisa-
tion multiréponse qui utilise une nouvelle technique d’optimisation [Ch’05]. Cette
technique est utilisée notamment pour l’optimisation de la durée de vie en fatigue
qui est influencée par la température.
5.2.2 Étude du processus d’usure pendant l’extrusion
La loi d’usure d’Archard est utilisée dans cette application [Lep02, Lep03] pour
l’étude de l’usure de la matrice pendant le procédé d’extrusion. Une analyse en post-
traitement permet de calculer la durée de vie de l’outil et d’étudier l’influence des
principaux paramètres de l’opération sur la qualité géométrique et mécanique des
produits formés. Durant cette analyse, on utilise la Méthodologie des Surfaces de Ré-
ponse (MSR) [Cor90, Gou99, Mon01] présentée au deuxième chapitre, pour vérifier
l’effet quadratique de la réponse. Cette démarche qui s’avère indispensable s’appuie
sur l’utilisation des Plans Composites Centraux [Ben94b, Mon01] qui ont montré
la forte dépendance entre les paramètres étudiés (rayon, frottement, coefficient de
réduction, etc.), et d’établir que l’équation de la surface de réponse est un polynôme
de deuxième degré. Les résultats obtenus nous permettent aussi de déterminer les
périodes de maintenance et de changement de l’outil endommagé.
Le phénomène d’usure qui survient pendant cette opération pour la matrice est
un phénomène complexe peu contrôlable [Ari03, GD03, Ham00a, Nam02, Yeo01] qui
dépend de plusieurs paramètres (rayon, frottement, coefficient de réduction, angle,
etc.). Le Diagramme d’Ishikawa (Figure 5.9) fait une synthèse sur ces facteurs et
leurs interactions.
148
5.2. OPTIMISATION DU PROCÉDÉ D’EXTRUSION
"
# $
"
! %
!
"
'
&
Fig. 5.9 – Le diagramme d’Ishikawa.
5.2.2.1 Simulation numérique du procédé d’extrusion
La modélisation Éléments Finis (EF) nous a permis de créer un modèle plan

[Lep02, Lep03] qui a été adapté à notre problématique. Ce modèle a été remplacé par
la suite par un modèle plus complexe [Lep05d], pour mieux répondre à nos besoins
(étudier l’influence de la température). Dans notre exemple, il s’agit d’une opération
d’extrusion axisymétrique d’un acier à 0.6% de Carbone, dont les caractéristiques
sont données dans le tableau 5.11.
Caractéristiques γw σel (M P a) K(M P a) ν µ

Acier 1.0E-04 250 1094 0.2 0.1
Tab. 5.11 – Caractéristiques du matériau
Les caractéristiques géométriques de la matrice étudiée sont présentées dans la

figure 5.10.
Fig. 5.10 – Modèle axisymétrique pour le processus d’extrusion.
Le maillage éléments finis est réalisé par 300 éléments axisymétriques rectangu-
laires à 4 noeuds (Figure 5.11). Dans cet exemple la matrice a été modélisée dans
l’hypothèse de corps rigide.
149
Fig. 5.11 – Déformation du lopin après l’extrusion.
5.2.2.2 La Méthodologie de Surface de Réponse
La Méthodologie de Surface de Réponse (MSR) est utilisée ici pour tester l’effet
quadratique de l’usure ainsi que l’influence des paramètres opératoires sur le procédé
d’extrusion. Ces paramètres sont (Figure 5.10) :
R
– Coefficient d’extrusion (K) : X1 donné par : 100 · Rfi
– Angle d’inclinaison de la matrice (α) : X2 (˚) qui correspond à l’angle α (Figure
5.10)
– Coefficient de frottement (µ) : X3 qui décrit les conditions de frottement entre
le matériau et la matrice
– Rayon interne (r) : X4 (mm) qui correspond à r (Figure 5.10).
Nous avons utilisé pour cette étude un plan composite centré qui est le plus
adapté pour des phénomènes non linéaires. Les facteurs interrogés ainsi que leurs
niveaux sont donnés dans le Tableau 5.12. Dans le même tableau le paramètre δ (le
point en étoile) est supérieur à 1 et est calculé grâce à la formule :
√
4
δ= N (5.6)
où N - nombre d’essais du Plan Orthogonal. Pour notre cas δ = 2
Niveau Facteurs
Normal Codé K − X1 Angle − X2 F rottement − X3 Rayon − X4
1 −δ 0,6 20 0,05 2
2 -1 0,65 23,75 0,0675 3
3 0 0,7 27,5 0,085 4
4 1 0,75 31,25 0,1025 5
5 +δ 0,8 35 0,12 6
Tab. 5.12 – Les niveaux des facteurs étudiés.
Durant ce travail, la planification des essais a été réalisée par des simulations
numériques pour différentes configurations de la matrice d’expérience. Celles ci nous
ont facilité la compréhension de la non linéarité d’un phénomène complexe comme
l’usure.
150
5.2.2.3 Résultats et discussions
Afin d’obtenir les réponses données par la configuration du plan composite cen-
tré, nous avons utilisé la simulation numérique par éléments finis. La matrice d’expé-
riences (Tableau 5.13) obtenue pour une configuration complète du plan composite
centré comporte 25 essais. Par cette approche nous avons cherché tout d’abord à
vérifier le caractère non linéaire du phénomène d’usure. Le modèle d’usure d’Ar-
chard (Voir chap. 2) a été utilisé pour la modélisation du ce phénomène. Dans ce
contexte on a choisi d’analyser plus en detail la partie active de la matrice (partie
la plus responsable des défauts et de la géométrie finale des pièces extrudées). Dans
la plupart des cas, les zones critiques qui engendrent les défauts des pièces obtenues
par ce procédé sont situées aux points A et B (Figure 5.12).
No ess. Valeurs codées Valeurs réelles Réponses

ς1 ς2 ς3 ς4 X1 X2 X3 X4 YA YB
1 -1 -1 -1 -1 0.65 23.75 0.0675 3 0.0337 0.0383
2 -1 -1 -1 1 0.65 23.75 0.0675 5 0.0337 0.0287
3 -1 -1 1 -1 0.65 23.75 0.1025 3 0.0337 0.0312
4 -1 -1 1 1 0.65 23.75 0.1025 5 0.0324 0.0312
5 -1 1 -1 -1 0.65 31.25 0.0675 3 0.0327 0.0323
6 -1 1 -1 1 0.65 31.25 0.0675 5 0.0315 0.031
7 -1 1 1 -1 0.65 31.25 0.1025 3 0.0275 0.0328
8 -1 1 1 1 0.65 31.25 0.1025 5 0.0275 0.0328
9 1 -1 -1 -1 0.75 23.75 0.0675 3 0.0285 0.0269
10 1 -1 -1 1 0.75 23.75 0.0675 5 0.0285 0.0269
11 1 -1 1 -1 0.75 23.75 0.1025 3 0.0272 0.0282
12 1 -1 1 1 0.75 23.75 0.1025 5 0.0259 0.0269
13 1 1 -1 -1 0.75 31.25 0.0675 3 0.0242 0.0273
14 1 1 -1 1 0.75 31.25 0.0675 5 0.0218 0.0277
15 1 1 1 -1 0.75 31.25 0.1025 3 0.0191 0.0286
16 1 1 1 1 0.75 31.25 0.1025 5 0.0191 0.0286
17 +δ 0 0 0 0.6 27.5 0.085 4 0.0352 0.0336
18 -δ 0 0 0 0.8 27.5 0.085 4 0.0211 0.0273
19 0 +δ 0 0 0.7 20 0.085 4 0.0305 0.0261
20 0 -δ 0 0 0.7 35 0.085 4 0.0218 0.0296
21 0 0 +δ 0 0.7 27.5 0.05 4 0.0302 0.0276
22 0 0 -δ 0 0.7 27.5 0.12 4 0.0261 0.0304
23 0 0 0 +δ 0.7 27.5 0.085 2 0.0302 0.0308
24 0 0 0 -δ 0.7 27.5 0.085 6 0.0277 0.0294
25 0 0 0 0 0.7 27.5 0.085 4 0.0302 0.0294
Tab. 5.13 – La matrice d’expérience pour le plan composite centré.
Dans le tableau 5.13, se trouvent les résultats des points critiques pour la matrice
(YA et YB ). Pour le premier point critique A (Figure 5.12), l’analyse statistique
(Tableau 5.14) nous a confirmé que l’équation de la surface de réponse est linéaire.
Cette conclusion est en accord avec une autre étude [Lep02]. L’analyse de la variance
(Tableau 5.14) nous donne aussi les facteurs ou les interactions significatifs (les
valeurs en gras dans la colonne p - tableau ANOVA) : coefficient d’extrusion, angle,
coefficient du frottement et l’interaction entre coefficient d’extrusion et l’angle.
151
Fig. 5.12 – La partie active de la matrice et l’épaisseur d’usure.
Tableau ANOVA
Variable Somme Degré de F-value p
des carrées liberté
X1 - Coeff. d’extrusion 0,001073 1 92,89928 0,000002
X12 - Coeff. d’extrusion 0 1 0,00929 0,925133
X2 - Angle 0,000461 1 39,88276 0,000087
X22 - Angle 0,000001 1 0,05194 0,824319
X3 - Coeff. de Frottement 0,00028 1 24,234 0,000602
X4 - Rayon 0,000047 1 4,08261 0,070916
X42 - Rayon 0,000007 1 0,57054 0,467462
X1 ∗ X2 0,000077 1 6,64506 0,02752
X1 ∗ X3 0,000015 1 1,26246 0,287435
X1 ∗ X4 0,000002 1 0,187 0,674603
X2 ∗ X3 0,000007 1 0,64743 0,439745
X2 ∗ X2 0 1 0,01675 0,899592
X3 ∗ X4 0,000003 1 0,26788 0,616011
Erreur 0,000115 10
Total 0,002101 24
Tab. 5.14 – Les effets des facteurs pour le point A.
Pour le deuxième point critique B, (Figure 5.12), l’analyse statistique (Tableau

5.15 - la valeur de X22 - Angle sur la colonne p ) nous confirme l’effet quadratique
de la réponse (Figure 5.13).
152
Tableau ANOVA
Variable Somme Degré de F-value p
des carrées liberté
X1 - Coeff. d’extrusion 0,000311 1 586,589 0
X12 - Coeff. d’extrusion 0,000003 1 5,1453 0,046703
X2 - Angle 0,000136 1 256,3999 0
X22 - Angle 0,000011 1 21,1521 0,000981
X4 - Rayon 0,000005 1 9,9404 0,010283
X42 - Rayon 0,000001 1 1,8839 0,199894
X1 ∗ X2 0,000008 1 15,9267 0,002556
X1 ∗ X3 0 1 0,1548 0,702236
X1 ∗ X4 0 1 0,1728 0,6864
X2 ∗ X3 0,000009 1 16,6032 0,002233
X2 ∗ X2 0 1 0,1296 0,726314
X3 ∗ X4 0 1 0,1296 0,726314
Erreur 0,000005 10
Total 0,000528 24
Tab. 5.15 – Les effets des facteurs pour le point B.
La figure 5.13 représente les surfaces de réponse pour les effets significatifs des
interactions des facteurs sur l’usure :
– a) Effet de coefficient de réduction X1 et de l’angle X2 sur la réponse.

– b) Effet de l’angle X2 et du frottement X3 sur la réponse.
a)Effet de X1 et X2 sur l’usure. b)Effet de X2 et X3 sur l’usure.
Fig. 5.13 – Surfaces de réponse pour l’usure.
Le diagramme de Pareto (Figure 5.14) montre les effets significatifs des facteurs
utilisés dans cette étude. Les résultats montrent que les principaux facteurs qui af-
fectent l’usure de la matrice sont, par ordre d’importance, le coefficient de réduction,
l’angle et le coefficient du frottement.
153
Fig. 5.14 – Diagramme de Pareto.
Afin d’établir un modèle pour expliquer la réponse il faut tout d’abord vérifier
la qualité de celui ci. Le test statistique qui mesure la qualité de la modélisation est
le Coefficient de corrélation multiple (R2 ), qui exprime le rapport entre la variance
expliquée par le modèle et la variance totale. Pour déterminer le meilleur sous-
modèle, parmi les sous-modèles candidats nous avons calculé R2 . La classification
selon le degré d’ajustement nous a permis de choisir comme modèle l’équation :
Y = −0.1713 + 0.3230 · X1 + 0.0070 · X2 − 0.0001 · X22 + 0.5584 · X3

(5.7)
−0.0039 · X1 · X2 − 0.0113 · X2 · X3
La valeur du R2 = 0.9862, signifie que la réponse est très bien expliquée par le modèle
proposé. L’équation du modèle choisi permet aussi de déduire les facteurs principaux
et les interactions correspondantes, ayant le moins d’influence (les facteurs man-
quants) sur la perte de qualité du modèle original (modèle complet, R2 = 0.99899).
5.2.3 Analyse statistique
Pour pouvoir prédire le profil d’usure de la matrice nous avons procédé à une
analyse statistique [Lep04b] des données, notamment sur les deux composantes in-
fluençant le processus de dégradation par l’usure :
– la pression du contact (Figure 5.15 a)
– la distance de glissement (Figure 5.15 b)
154
a) La pression du contact b) La distance de glissement
Fig. 5.15 – La pression du contact et la distance de glissement pour le procédé

d’extrusion.
On peut constater sur les deux images (Figure 5.15) que la zone dangereuse pour
la matrice est la zone active, notamment au début et à la fin de cette zone. La figure
5.16 montre bien cette tendance pour chaque composante de la loi d’usure.
Fig. 5.16 – La distance de glissement, respectivement la pression normale fonction

des points interrogés.
La figure 5.17 montre aussi le profil d’usure dans la zone active avec des valeurs
maximales vers les deux extrémités de la zone active.
a) Les points interrogés b) La matrice
Fig. 5.17 – Le profil d’usure
Sur la figure 5.17 on peut distinguer le volume d’usure qui est développé sur la
partie active de la matrice, pouvant entraı̂ner des dégâts majeurs, allant jusqu’à la
fracture avec une conséquence importante sur la géométrie finale des pièces extru-
dées. Plus de détails sur cette analyse pourront être trouvés en [Lep04b].
155
5.2.4 Optimisation multicritères pour le procédé d’extru-

sion
Par la suite dans ce paragraphe, sera présentée une application de la technique

d’optimisation à réponses multiples proposée par Ch’ng (Chapitre 2) pour le procédé
d’extrusion. L’objectif principal de l’optimisation multicritères [Cas96] est d’amélio-
rer la qualité d’un produit ou d’un procédé en réduisant au minimum les effets de la
variation sans éliminer les causes (puisque c’est trop difficile et ça revient très cher).
En utilisant cette méthode, un ingénieur peut indiquer différents degrés d’impor-
tance ou de priorité pour les réponses, par le choix des points de discontinuité sur
des valeurs cibles à différents niveaux pour chaque réponse. En plus pour résoudre le
problème de la discontinuité de la fonction objectif, la technique de Ch’ng [Ch’05] est
employée dans cette démarche, pour trouver les niveaux optimaux des paramètres.
5.2.4.2 L’optimisation multicritères
Pour les procédés de fabrication, l’amélioration de la qualité et de la producti-

vité est plus efficace quand elle est intégrée dans le produit et le cycle de processus.
Typiquement, dans l’analyse des données industrielles il y a beaucoup de réponses
(variables) qui devront être étudiées en même temps. Les rapports entre ces réponses
sont connues, mais l’analyste doit décider quelles réponses sont les plus importantes,
habituellement au détriment des autres. En plus, pour optimiser ces réponses indi-
viduellement on peut rencontrer des contradictions pour les différents niveaux de
facteurs acceptables pour une réponse et non pour les autres. Le but de l’optimisa-
tion multicritères est d’optimiser au mieux les différents objectifs [Yan02]. En effet,
la solution que l’on obtient est une solution de compromis. Elle optimise un certain
nombre d’objectifs tout en dégradant les performances sur d’autres objectifs. Mais
finalement la solution acceptée va assurer une satisfaction globale sur le processus
parce qu’elle répond à plusieurs objectifs en même temps.
Dans ce but, nous proposons l’approche largement répandue et appelée la fonc-
tion de désirabilité (Desirability Function en anglais) [Har65]. L’idée de base est que
la qualité d’un produit ou d’un procédé qui ont des caractéristiques multiples de qua-
lité, est complètement acceptable même si l’une de ces caractéristiques se trouve en
dehors de certaines limites désirées. En effet, on transforme un problème à plusieurs
réponses en un problème avec une seule réponse par transformation mathématique.
La méthode trouve les conditions de fonctionnement (variables optimales du proces-
sus) qui fournissent les valeurs les plus souhaitables de réponses. Par cette approche
156
on vise à optimiser la durée de vie (Figure 5.18) de la matrice et d’autres réponses

(la contrainte de von Mises, force de fabrication, etc...) pour le procédé d’extrusion.
Le procédé d’extrusion est habituellement la manière la plus économique de fabri-
quer des pièces qui ont une coupe constante, parce que le concepteur peut mettre le
métal là où il le veut. Souvent, l’extrusion est la seule méthode qui peut être utilisée
pour obtenir certains produits. Dans le procédé d’extrusion du métal [Ahn97, GD03],
le cycle de vie de la matrice (Figure 5.18) est principalement limité par l’usure, qui
affecte les tolérances des pièces formées, et par la fatigue [Dra99, Fal01, Yah04] qui
induit la rupture soudaine inattendue. Ces dernières années plusieurs chercheurs ont
proposé de nouvelles techniques [Ahn97, Lee00] pour augmenter la durée de vie de
la matrice.
Fig. 5.18 – Le cycle de vie d’une matrice.
5.2.4.3 Modélisation par Éléments Finis de la durée de vie par fatigue
Pour envisager une évaluation plus précise de la durée de vie par fatigue nous
avons utilisé une modélisation par Éléments Finis (EF ) en 3D. Les modèles en
trois dimensions élastiques (Figure 5.19) sont utilisés le plus souvent [Cri91, Car94,
Ham00a] pour calculer les efforts et les contraintes des composants, en supposant
que le matériel est infiniment élastique [Kur85, Kal91, Mar84]. Les raisons pour
lesquelles on utilise des modèles élastiques sont :
– Il est impossible de modéliser une séquence complexe de chargement en uti-
lisant facilement le modèle éléments finis, parce que les effets de mémoire du
157
matériau doivent être inclus pour chaque cycle de fatigue.

– Pour modéliser le chargement multiaxial il peut être nécessaire de superpo-
ser les résultats de plusieurs analyses éléments finis, et les modèles élastiques
facilitent cette tâche.
Fig. 5.19 – Le procédé d’extrusion
Par la suite, seront définis les principes de base pour l’évaluation de la durée de vie en
fatigue à partir des modèles éléments finis. Pour une charge appliquée sur le modèle,
l’analyse élastique par EF nous donne l’effort ou la contrainte pour chaque noeud
de chaque élément. La contrainte nodale peut être multipliée par une succession des
charges ou des forces qui peut être une évolution mesurée en temps des charges,
pour donner ensuite une évolution en temps de la contrainte au noeud. Pour tenir
compte du fait que le matériel peut céder, les règles de Neuber ou de Glinka [Dra99]
peuvent être utilisées pour calculer les contraintes et les efforts élasto-plastique de
la contrainte élastique du modèle. Si le processus de conversion élasto-plastique est
intégré avec une routine d’analyse du dommage et de la fatigue, la durée de vie
par fatigue au noeud peut être calculée. Ce processus peut être répété pour chaque
noeud de chaque élément, et pour chaque élément du modèle.
5.2.4.4 Résultats et discussions
Un facteur très important contribuant aux performances économiques (efficacité

et qualité) de la mise en forme des matériaux métalliques est la durée de vie de l’outil.
D’une façon générale, l’optimisation d’un produit ou d’un procédé est plus efficace
si on peut tenir compte de plusieurs fonctions objectif simultanément. L’optimisa-
tion de plusieurs réponses [Oth98] est en même temps de grand intérêt, pour des
raisons évidentes de réduction des coûts. La technique d’optimisation multireponses
[Ham01b, Che02] est utilisée dans ce travail pour identifier la configuration optimale
des paramètres d’un processus ou d’un système tout en respectant des caractéris-
tiques multiples de qualité. La difficulté surgit dans le fait que plusieurs réponses sont
étudiées simultanément. La signification de l’optimum devient peu réaliste puisque
158
les conditions optimales pour une réponse peuvent ne pas être appropriées ou pra-
tiques pour d’autres réponses. Par conséquent, les conditions optimales obtenues
par cette analyse s’appellent parfois près d’optimal pour toutes les réponses. Cette
technique ne peut pas être utilisée pour un processus ayant un nombre très grand
de caractéristiques de qualité à optimiser en même temps.
Le phénomène de fatigue (voir paragraphe 1.3.5) est un processus complexe. Le
nombre de facteurs d’influence est très important, et pourront être groupés en trois
catégories [Lu43]. :
1. les facteurs relatifs à la sollicitation et à l’environnement

– le type de la sollicitation (uniaxiale, multiaxiale avec ou sans déphasage), les
contraintes moyennes, le spectre de chargement et de surcharge, la fréquence
du chargement, la température, le coefficient de frottement etc.
2. les facteurs relatifs à la géométrie

– l’état de surface, l’effet d’entaille et l’effet d’échelle, etc.
3. les facteurs relatifs aux matériaux

– les caractéristiques du matériau, la microstructure du matériau, les contraintes
résiduelles, les traitements de surface, etc..
Pour cette application les variables qui affectent les réponses, particulièrement
la durée de vie de la matrice sont : l’angle d’inclinaison de la matrice, le coefficient
de frottement et la température induite par la pièce extrudée. L’ algorithme de
GRG (Generalised Reduced Gradient) couplé à la technique de Ch’ng [Ch’05] (Voir
paragraphe 2.3) est utilisé ici pour trouver la meilleure combinaison des paramètres
de procédé qui assure une durée de vie acceptable de l’outil et pour permettre
l’optimisation des autres réponses simultanément. Pour illustrer cette approche, nous
présentons un problème d’optimisation du procédé d’extrusion. Les caractéristiques
géométriques de la matrice (Ri , Rf sont les rayons d’entrée et respectivement de
sortie de la matrice, et α˚qui est l’angle de la matrice) sont montrées sur la figure
5.10. Le tableau 5.16 montre les niveaux et le codage des paramètres étudiés. Les
variables qui affectent la prévision de la durée de vie de la matrice sont : le coefficient
X1 - coefficient de frottement, qui décrit les conditions de frottement entre la pièce
et la matrice, l’angle de la matrice X2 , qui correspond à l’angle α˚(Figure 5.10), et
la température de travail X3 . Les réponses pour cette étude sont Y1 - contrainte de
Von Mises, Y2 - déformation maximale, Y3 - force de fabrication et Y4 = la durée de
vie de la matrice.
159
Paramètres Symbole Niveaux

-δ -1 0 1 +δ
Coef. de frottement X1 0.05 0.07 0.1 0.13 0.15
Angle de la matrice X2 (˚) 20 23 27.5 31.96 35
Température X3 (˚C) 500 581.08 700 818.92 900
Tab. 5.16 – Le codage des paramètres.
Pour l’investigation des trois facteurs et pour la modélisation des réponses, dans
ce travail la MSR par un plan composite centré [Mon01] a été utilisée afin d’obtenir
les 15 essais (Tableau 5.17).
Essais X1 X2 X3 Y1 Y2 Y3 Y4
1 0.07 23 581.079 1.85E+03 1.26E+00 1.44E+05 6.42E+03
2 0.07 23 818.921 4.70E+02 1.349 3.67E+04 3.37E+04
3 0.07 31.96 581.079 1.83E+03 1.532 1.56E+05 9.43E+03
4 0.07 31.96 818.921 5.23E+02 1.614 3.99E+04 3.66E+04
5 0.13 23 581.079 2.03E+03 1.801 1.81E+05 1.21E+04
6 0.13 23 818.921 5.81E+02 1.824 4.69E+04 3.20E+04
7 0.13 31.96 581.079 2.23E+03 1.939 2.03E+05 1.32E+04
8 0.13 31.96 818.921 6.32E+02 1.928 5.23E+04 3.21E+04
9 0.05 27.5 700 8.89E+02 1.275 7.86E+04 1.99E+04
10 0.15 27.5 700 1.41E+03 1.921 1.25E+05 1.50E+04
11 0.1 20 700 1.06E+03 1.692 9.21E+04 2.09E+04
12 0.1 35 700 1.39E+03 1.888 1.11E+05 2.12E+04
13 0.1 27.5 500 2.43E+03 1.666 2.13E+05 9.17E+03
14 0.1 27.5 900 2.43E+02 1.685 1.95E+04 7.48E+04
15 0.1 27.5 700 1.13E+03 1.651 9.69E+04 1.99E+04
Tab. 5.17 – La matrice d’expériences pour le plan composite centré

.
La méthode des moindres carrés (Ordinary Least Square - OLS) a été utilisée
pour les données du tableau 5.17 pour obtenir les équations de surfaces des réponse
pour chaque caractéristique de qualité étudiée (les réponses). Les équations qui gé-
nèrent les modèles sont données dans le tableau 5.18.
Le Modèle Y1 Y2 Y3 Y4
C 1122.532 1.65756 96761 20890.26
X1 123.573 0.206741 13502.6 -366.02
X1X1 14.775 -0.027817 1916.9 -2264.27
X2 60.575 0.081178 5402.3 548.51
X2X2 40.832 0.040066 1782.5 -986.39
X3 -689.533 0.01574 -61050.6 14912.8
X3X3 80.854 -0.000416 6916.1 6405.12
X1X2 27.525 -0.036875 1468.7 -588.68
X1X3 -45.5 -0.019875 -7618.8 -1955.57
X2X3 -8.625 -0.005125 -3086.3 -152.52
Tab. 5.18 – Les coefficients de régression pour les modèles générés

.
Le tableau 5.19. montre les valeurs LSL, T et U SL pour les réponses Yi , aveci =
1, · · · , 4, avec les valeurs de la fonction de désirabilité associée à chaque réponse.
160
Réponse LSL T USL d*(LSL) d*(Y) d*(USL)

Y1 180.23 200.4 223.4 0 0.93 2
Y2 1.2285 1.26 1.29 0 1.02 2
Y3 18144.3 19510 21070.8 0 0.93 2
Y4 72000 74773 74773 0 2 2
Tab. 5.19 – LSL, U SL, T et leurs désirabilités associées.
Pour notre exemple on a considéré que les quatre réponses ne peuvent pas avoir
le même degré d’importance. Les degrés d’importance pour les quatre réponses sont :
e1 = 0.15, e2 = 0.30, e3 = 0.05, e4 = 0.50 .
Pour optimiser les quatre réponses, nous avons utilisé un algorithme d’optimisa-
tion de type gradient généralisé, et les désirabilités suivantes pour les fonctions ont
été obtenues (Tableau 5.20).
Variables Réponses Désirabilité Totale

Xi Y1 Y2 Y3 Y4 DT otale (Yi )
-1.55
-1.82 185.56 1.26 21070.8 72159.38
2
Désirabilités Individuelles D(Y) 0.25 1.02 2 0.11 0.27461795
Tab. 5.20 – Les solutions optimales trouvées à l’aide de la technique de Ch’ng.
Dans le tableau 5.20 est montrée la fonction de désirabilité totale pour l’optimi-
sation multiréponse dans le procédé d’extrusion des métaux. Par cette technique on
peut combiner les réponses Y1 , Y2 , Y3 et Y4 et les traiter comme une seule réponse.
La technique de Ch’ng nous a permis de trouver les valeurs optimales pour les ré-
ponses étudiées Y = (185.56; 1.26; 21070.80; 72159.38). Ces valeurs ont été obtenues
pour les valeurs suivantes des facteurs interrogés X = (−1.55, −1.82, 2.00).
5.2.4.5 Bilan
L’optimisation multiréponses a été utilisée dans ce travail pour identifier les pa-
ramètres opératoires qui minimisent la variation des contraintes de von Mises ou la
force de fabrication et spécialement pour augmenter la durée de vie de la matrice
dans le procédé d’extrusion des pièces métalliques. Le nouveau modèle élément fi-
nis a été implémenté dans le code de calcul Abaqus et intégré à OPTIFORM, afin
d’optimiser la durée de vie de la matrice qui est affectée directement par la tem-
pérature. La M SR utilisée dans nos démarches nous a permis de développer des
méthodes d’optimisation de fatigue dans le but de diminuer le coût de fabrication
afin d’obtenir des produits sans défauts.
161
5.2.5 Conclusions
Dans ce paragraphe nous avons présenté une étude sur le procédé d’extrusion.
L’usure étant la principale cause de défaillance pour ce procédé, nous avons proposé
des solutions qui ont eu comme but la réduction de ce phénomène. Un modèle par
éléments finis a été utilisé ici afin de prendre en compte l’influence de la température
sur la dégradation de la matrice par fatigue. Ce modèle a été utilisé également pour
une optimisation de plusieurs réponses à la fois. L’optimisation multiréponses a pris
aujourd’hui une véritable ascension dans le processus d’optimisation car le système
ne peut plus être jugé individuellement pour chaque réponse parce qu’une approche
globale est plus adaptée.
162
5.3. OPTIMISATION DU PROCÉDÉ D’EMBOUTISSAGE
5.3 Optimisation du procédé d’emboutissage
5.3.1 Introduction
L’optimisation des opérations d’emboutissage consiste à rechercher, par voie de

modélisation et simulation numérique, les formes géométriques, propriétés maté-
rielles, d’interface et paramètres de procédés, afin d’aboutir, après emboutissage, à
des pièces de qualité déterminée, tant au niveau géométrie, qu’au niveau propriétés
matérielles. Dans ce paragraphe, on présente l’optimisation de l’emboutissage, (pro-
cédé présenté au premier chapitre) qui est un procédé assez complexe par rapport
aux autres procédés de mise en forme des tôles. La méthode hybride (Voir Chapitre
2) est proposée ici afin de réduire le retour élastique responsable des défauts de forme
et de géométrie pendant l’emboutissage. La puissance de cette méthode est donnée
par l’addition des approches suivantes : surface de réponse, calcul par intervalle et
tolérancement mécanique. Cette nouvelle méthode apportera une solution robuste
au processus d’optimisation.
5.3.2 Simulation numérique de l’emboutissage 3D
Pour cette application nous avons considéré l’emboutissage classique [Cor04,

Ham00b, Inc04] d’une boı̂te carrée (Figure 5.20) qui est formée à partir d’une tôle
de côté 200 mm et d’une épaisseur de 0.825 mm. La matrice a un côté de 102.5 mm
et le poinçon de 100 mm. Les rayons de raccordement pour le poinçon et la matrice
sont de 3 mm. Un serre-flan permet de contrôler le glissement de la tôle. La pression
exercée par ce serre-flan sur la tôle ainsi que le comportement à l’interface entre
la tôle et les outils jouent un rôle prépondérant pour bien contrôler l’écoulement
du matériau afin d’éviter la formation de plis et l’amorçage de micro-fissures. La
représentation géométrique du problème est donnée par la figure 5.20. Les coeffi-
cients de frottement entre la tôle et le poinçon et entre la tôle et la matrice sont
respectivement de 0.125 et 0.25. Aucun frottement n’est considéré entre la tôle et
le serre-flan. En raison des symétries on ne discrétise qu’un quart du système. Les
maillages du poinçon, de la matrice et du serre-flan sont effectués avec des éléments
rigides tridimensionnels à 4 noeuds (éléments R3D4 code Abaqus), et pour la tôle,
on utilise des éléments coques à 4 noeuds avec intégration réduite (éléments S4R
d’Abaqus).
163
Fig. 5.20 – Simulation numérique du procédé d’emboutissage
Afin d’illustrer l’approche proposée nous présentons un problème d’optimisa-

tion du procédé d’emboutissage. Le procédé d’emboutissage (Figure 5.20) est un
des procédé de fabrication les plus utilisés dans la fabrication moderne. Dans le
but de satisfaire les demandes toujours croissantes de qualité des produits, les cher-
cheurs ont proposé beaucoup d’approches pour simuler le procédé d’emboutissage
[Cor04, Inc04]. Dans ce travail, un modèle éléments finis (Figure 5.21) a été déve-
loppé dans le code de calcul Abaqus, pour obtenir les simulations numériques du
procédé d’emboutissage.
Fig. 5.21 – Modèle éléments finis pour l’emboutissage.
164
5.3. OPTIMISATION DU PROCÉDÉ D’EMBOUTISSAGE
5.3.3 Optimisation de l’emboutissage à l’aide de la Surface

de Réponse par Intervalles
Le procédé d’emboutissage est un procédé compliqué affecté par plusieurs para-
mètres de matériel et de procédé comme le coefficient d’écrouissage, les déformations
élastiques et plastiques des métaux, l’épaisseur de la tôle, le frottement et la lubri-
fication, la vitesse du poinçon, la force du serre-flan, etc. [Jai00]. La déviation géo-
métrique inconnue due au retour élastique [Roh01] est un problème sérieux dans le
procédé d’emboutissage, particulièrement dans l’industrie automobile. La méthode
hybride présentée au chapitre 2 (Paragraphe 2.4) sera appliquée ici afin de réduire
la variation de la géométrie finale du procédé d’emboutissage influencé spécialement
par le retour élastique. Dans cette application on utilise un plan composite centré
pour 3 variables (L’épaisseur de la tôle X1 , coefficient du frottement X2 , la force de
serre flan X3 - Table 5.21). Chaque niveau pour chaque paramètre est écrit sous la
forme d’un intervalle à valeurs réelles. Pour chaque paramètre les deux limites de
chaque intervalle sont représentées par des tolérances mécaniques bilatérales (±∆i ).
La réponse pour cette étude est Y1 = retour élastique (Table 5.22). Pour le code
Abaqus, le retour élastique a été mesuré par le déplacement d’un noeud selon la
direction perpendiculaire à la direction d’avancement du poinçon.
Paramètres Symbole Niveaux
-δ ± ∆i −1 ± ∆i 0 ± ∆i 1 ± ∆i +δ ± ∆i
L’épaisseur X1 (mm) [0.00073; 0.00080] [0.00086; 0.00095] [0.00105; 0.00116] [0.0012; 0.0014] [0.00136; 0.00151]
de la tôle
Coeff. de X2 ( ) [0.057; 0.063] [0.086; 0.095] [0.0124; 0.0137] [0.162; 0.179] [0.19; 0.21]
frottement
La force de X3 (N ) [16906; 18685] [18525; 20475] [20900; 23100] [23275; 25725] [24894; 27515]
serre flan
Tab. 5.21 – Le codage des paramètres.
Essais X1 X2 X3 Y1
1 [0.00086 ; 0.00095] [0.086 ; 0.095] [18525 ; 20475] [0.000106 ; 0.000118]
2 [0.00086 ; 0.00095] [0.086 ; 0.095] [23275 ; 25725] [0.000101 ; 0.000112]
3 [0.00086 ; 0.00095] [0.162 ; 0.179] [18525 ; 20475] [0.000102 ; 0.000113]
4 [0.00086 ; 0.00095] [0.162 ; 0.179] [23275 ; 25725] [0.000096 ; 0.000106]
5 [0.0012 ; 0.0014] [0.086 ; 0.095] [18525 ; 20475] [0.000056 ; 0.000062]
6 [0.0012 ; 0.0014] [0.086 ; 0.095] [23275 ; 25725] [0.000050 ; 0.000056]
7 [0.0012 ; 0.0014] [0.162 ; 0.179] [18525 ; 20475] [0.000053 ; 0.000058]
8 [0.0012 ; 0.0014] [0.162 ; 0.179] [23275 ; 25725] [0.000047 ; 0.000052]
9 [0.00073 ; 0.00080] [0.0124 ; 0.0137] [20900 ; 23100] [0.000124 ; 0.000137]
10 [0.00136 ; 0.00151] [0.0124 ; 0.0137] [20900 ; 23100] [0.000040 ; 0.000045]
11 [0.00105 ; 0.00116] [0.057 ; 0.063] [20900 ; 23100] [0.000080 ; 0.000088]
12 [0.00105 ; 0.00116] [0.19 ; 0.21] [20900 ; 23100] [0.000072 ; 0.000080]
13 [0.00105 ; 0.00116] [0.0124 ; 0.0137] [16906 ; 18685] [0.000078 ; 0.000086]
14 [0.00105 ; 0.00116] [0.0124 ; 0.0137] [24894 ; 27515] [0.000068 ; 0.000075]
15 [0.00105 ; 0.00116] [0.0124 ; 0.0137] [20900 ; 23100] [0.000074 ; 0.000081]
Tab. 5.22 – La matrice d’expériences pour le plan composite centré
165
La méthode des moindres carrées a été appliquée aux données initiales pour
développer la surface de réponse habituelle (Ordinary Response Surface Model -
ORSM ) pour le retour élastique Y1 . L’équation de la surface de réponse (en termes
codées) est donnée dans le tableau 5.23. Si on utilise l’algorithme (paragraphe 2.4.3.5
- Chapitre 2) proposé pour les données du tableau, on obtient une surface de réponse
par intervalles (Interval Response Surface Model - IRSM ) pour modéliser la réponse
Y1 . Cette équation peut être représentée à l’aide des coefficients trouvés dans le
tableau 5.23.
Le Y1 Y1
Modèle ORSM IRSM
C 0.00007755 [0.00007655 ; 0.00008071]
X1 -0.00002619 [-0.000029809 ; -0.000023571]
X1 X1 0.00000301 [0.000002509 ; 0.000003311]
X2 -0.00000228 [-0.000002708 ; -0.000002052]
X2 X2 0.00000064 [0.000000556 ; 0.000000704]
X3 -0.00000302 [-0.000003522 ; -0.000002718]
X3 X3 -0.00000038 [-0.000000438 ; -0.000000342]
X1 X2 0.00000031 [0.000000259 ; 0.000000341]
X1 X3 -0.00000009 [-0.000000109 ; -0.000000081]
X2 X3 -0.00000004 [-0.000000047 ; -0.000000036]
Tab. 5.23 – Équations pour ORSM et IRSM
Par exemple l’équation de la Surface de Réponse par Intervalle du retour élastique

est donnée par :
Y1 = [0.00007655; 0.00008071] + [−0.000029809; −0.000023571] · X1

+[0.000002509; 0.000003311] · X12 + [−0.000002708; −0.000002.052] · X2
+[0.000000556; 0.000000704] · X22 + [−0.000003522; −0.000002718] · X3
+[−0.000000438; −0.000000342] · X32 + [0.000000259; 0.000000341] · X1 X2
+[−0.000000109; −0.000000081] · X1 X3 + [−0.000000047; −0.000000036] · X2 X3
(5.8)
Cette équation obtenue par l’approche proposée, est modélisée par une surface de
réponse tolérancée appelée Surface de Réponse par Intervalles. Cette méthode repré-
sente une nouvelle manière pour faire accepter plus de produits dans l’optimisation
des procédés de fabrication.
5.3.4 Bilan
Cette application a été utilisée pour la validation de la nouvelle méthode hybride
d’optimisation des procédés de fabrication qui a été proposée dans ce rapport (Cha-
pitre 2). Cette approche combine la méthodologie de surface de réponse, le calcul
166
5.4. CONCLUSIONS
par intervalles et le tolérencement mécanique, afin de proposer une nouvelle surface

de réponse appelée Surface de Réponse par Intervalle. L’utilisation de cette ap-
proche dans le processus d’optimisation donnera à celui-ci la robustesse nécessaire
pour obtenir des produits à zéro défaut dans une économie de marché de plus en
plus concurrentielle.
5.4 Conclusions
Afin de rendre le processus d’optimisation plus accessible pour le monde indus-
triel nous avons présenté dans ce chapitre la validation des méthodes d’optimisation
proposées dans ce mémoire (Chapitre 2), avec des approches originales sur la dé-
termination du caractère non linéaire de la réponse d’un système obtenue par des
simulations numériques ou par la proposition d’une méthode hybride qui combine
trois approches : la méthodologie de surface de réponse, les tolérances mécaniques
et le calcul sur intervalle appelée surface de réponse par intervalle.
Ces nouvelles méthodes ont prouvé leur efficacité lors de l’optimisation par plans
d’expériences numériques telle que :
– prédiction de l’usure des outils de fabrication et l’optimisation multiréponse,
– prédiction du retour élastique en vue de réduire ces effets pour les procédés
comme le pliage ou l’emboutissage par des méthodes spécifiques aux simula-
tions numériques,
– utilisation des modèles éléments finis pour prédire la fatigue et prendre en
compte l’effet de la température pour le procédé d’extrusion afin de proposer
une optimisation multicritères par le méthode de Ch’ng,
– optimisation du retour élastique après l’emboutissage par une modélisation
éléments finis en 3D qui se rapproche mieux de la réalité, afin d’implémenter
la méthode hybride citée ci-dessus.
167
168
Conclusions et perspectives
Les études proposées dans le cadre de cette thèse ont porté sur l’optimisation
des procédés par approche plans d’expériences numériques. L’approche retenue a
été basée sur le développement d’un outil informatique capable de mettre en oeuvre
le processus d’optimisation des procédés de mise en forme. Le couplage entre la
méthodologie des plans d’expériences, la méthode des éléments finis, , et
la méthodologie des surfaces de réponses nous a permis une réduction des
coûts très importante parce qu’elle propose un nombre réduit d’expériences.
La modélisation numérique par éléments finis d’un procédé de mise en forme
est un processus complexe durant lequel un grand nombre de phénomènes physiques
intervient. Pour simuler une opération de formage d’une façon réaliste, il est impor-
tant de prendre en compte le comportement du métal, les conditions de frottement
et de contact, l’usure de l’outillage, etc.. Parallèlement tous les facteurs qui inter-
viennent (caractéristiques des métaux, usure, fatigue, etc.) possèdent une variation
centrée autour d’une valeur nominale. Pour réduire cette variation et mieux contrô-
ler le processus, il est important de modéliser les opérations selon des approches
statistiques.
L’étude bibliographique sur les méthodes d’optimisation nous a permis de consta-
ter les différentes lacunes existants lors de l’optimisation des procédés de mise en
forme telles que :
– le manque de modèles structurés pour la construction de la fonction objectif
– le manque de méthodes pour l’identification des paramètres opératoires sus-
ceptibles d’influencer d’une manière significative le procédé de fabrication
– il n’existe pas une méthode paramétrée pour le processus d’optimisation
– il n’existe pas une solution mathématique applicable à tous les problèmes
– il existe une forte demande industrielle
Pour répondre à ces besoins et aussi à l’aspect mathématique de la méthode, nous
avons privilégié l’utilisation de la méthodologie des plans d’expériences, qui est
une méthode plus adaptée à l’optimisation des procédés de fabrication. L’utilisation
de cette méthode nous a permis entre autres de répondre à un certain nombre de
169
CONCLUSIONS
questions telles que :

– Quel est le paramètre opératoire le plus influent ?
– Dans quel sens le modifier ?
– Comment les paramètres réagissent entre eux ?
Cette approche permet aussi le calage et le contrôle des paramètres des procédés
et des paramètres opératoires de formage. Les plans d’expériences permettent de
détecter, parmi un ensemble de combinaisons des paramètres de fabrication (jeu de
données), la combinaison optimale pour un objectif donnée.
Afin de couvrir les lacunes citées ci-dessous, dans ce travail nous avons mis en
oeuvre une méthode nouvelle capable de prédire l’effet quadratique pour une mo-
délisation par surface de réponse. Cette méthode est en effet un outil nécessaire
pour l’optimisation des procédés de fabrication qui ont un caractère fortement non
linéaire. Mais l’originalité de cette méthode réside dans le fait qu’elle est adaptée
aux essais obtenus par des simulations numériques.
Pour réduire les coûts liés à l’optimisation individuelle des différentes fonctions
objectifs, dans une démarche d’optimisation globale nous avons proposé l’utilisation
de la méthode de Ch’ng [Ch’05]. Cette méthode propose une optimisation multicri-
tères des réponses d’un système qui ont des caractéristiques fortement non linéaires
afin d’éviter les points de discontinuités de la fonction objectif.
Nous avons proposé également une approche originale de type hybride qui com-
bine la puissance des trois approches : la méthodologie de surface de réponse, le
tolérancement mécanique et le calcul par intervalles. Par cette méthode on donne
aux industriels la possibilité d’avoir des procédés robustes pour obtenir des produits
d’une qualité supérieure. Les jeux de paramètres proposés par les solutions sur inter-
valles assurent une meilleure maı̂trise sur les produits acceptés pour un procédé de
fabrication, grâce à la surface de réponse sur intervalle obtenue par cette méthode.
Dans le même contexte, pour la discipline Mécanique nous avons utilisé des
modèles de simulation numérique mettant en oeuvre la méthode des éléments finis.
Ces derniers permettant de tenir compte des effets du couplage entre les grandes
déformations et l’endommagement ainsi que les conditions de contact et de l’usure
entre l’outillage et les pièces fabriquées. Ces modèles permettent de prédire d’une
façon générale l’évolution des différents types de modes de défaillances rappelés dans
cette thèse tels que : le retour élastique, l’endommagement, l’usure ou la fatigue des
outils. A partir de ce travail on dispose désormais des connaissances approfondies
sur le comportement mécanique des matériaux ainsi que d’une compréhension des
mécanismes d’endommagement. Il reste que le transfert vers l’industrie devra être
fait pour mieux vérifier nos approches.
170
ET PERSPECTIVES
La création de l’OPTIFORM nous a permis de répondre à la discipline Infor-

matique afin de pouvoir mettre en oeuvre plus facilement les nouvelles méthodes
proposées. Cet outil d’optimisation est un moyen simple qui facilite la communica-
tion avec l’utilisateur par une interface graphique facile à utiliser. Les nombreuses
fonctionnalités sont dédiées à servir dans le processus d’optimisation des procédés
de mise en forme mais elles peuvent être adaptées à tout processus à une seule
condition : de pouvoir lui associer un modèle élément finis.
Dans la dernière partie de ce mémoire nous avons présenté différents types d’ap-
plications aux méthodes d’optimisation proposées afin de permettre la réduction
de la variation des caractéristiques des pièces fabriquées, engendrée notamment par
les défaillances telles que : le retour élastique, usure ou fatigue des outils. Dans ce
contexte nous avons proposé l’utilisation de la méthode qui permet la détection du
caractère non linéaire de la réponse d’un système obtenue par simulation numérique
pour réduire le retour élastique lors du pliage.
L’usure des outils étant un phénomène très complexe, il préoccupe beaucoup les
industriels à cause des coûts engendrés par le changement prématuré des outils de
fabrication. Afin de répondre à leur besoin nous avons proposé une modélisation
de l’usure par la loi d’Archard. La méthode de Ch’ng a été appliquée dans le but
d’optimiser plusieurs réponses simultanément telles que : la durée de vie, contraintes
de Von Mises, déformations maximales et la pression d’extrusion.
La validation de la méthode hybride proposée dans ce rapport a été faite dans
le but de réduire le retour élastique lors de l’opération de l’emboutissage. Cette
validation nous a permis de constater que les résultats obtenus sont fiables et que
l’application de cette approche donne de bons résultats. Il reste encore du travail à
faire au niveau de l’algorithme de calcul par intervalle afin de réduire encore plus
les bornes de la surface de réponse mais les résultats obtenus jusqu’à présent sont
encourageants.
Les travaux présentés dans ce mémoire ouvrent maintenant plusieurs perspec-
tives. Tout d’abord il faut améliorer le fonctionnement de l’OPTIFORM tant au
niveau présentation qu’au niveau utilisation pour lui conférer une dynamique adap-
tée aux nouveaux modules intégrés. Notre souhait est de pouvoir offrir à l’utilisateur
un outil interactif et convivial lui permettant de traiter efficacement l’optimisation
des procédés à des coûts raisonnables.
Par ailleurs, la modélisation numérique pourrait être sensiblement améliorée en
envisageant des modèles spatiaux (3D) qui seront capables de prendre en compte des
facteurs comme la température et de permettre la visualisation de la propagation
du dommage dans le corps de l’outillage. Dans la même optique, on peut envisager
171
CONCLUSIONS
d’aborder la modélisation des nouveaux procédés tel que l’hydroformage ou formage

incrémental. Ces procédés posent à leur tour de nouveaux problèmes qui devront
être modélisés par de nouveaux modèles éléments finis capables de se rapprocher le
mieux possible de la réalité. L’intégration de nouveaux algorithmes d’optimisation
sous contraintes appropriées à la forte non linéarité du problème est une démarche
logique qui va permettre une évolution rapide du cet outil d’optimisation et une
reconnaissance de l’utilité de ce travail. Le couplage réseaux de neurones, plans
d’expériences donnera un algorithme d’optimisation à la fois puissant et robuste
parce qu’il va combiner la souplesse d’apprentissage donnée par la première avec
l’efficacité assurée par la deuxième. Faute de temps, il ne nous a pas été possible de
mettre en place l’idée d’utiliser la méthode de Taguchi afin de réduire la variabilité
des procédés obtenue par simulations numériques. Ceci ne nous a donc pas permis
de réaliser et tester l’influence de ce qu’on peut appeler bruits numériques.
Les besoins industriels de plus en plus forts d’utilisation des techniques ou des ou-
tils d’optimisation permettant d’améliorer les procédés de fabrication, nous donnent
des raisons de poursuivre la recherche commencée dans ce domaine que nous esti-
mons très prometteuse, d’autant que les procédés de mise en forme resteront dans les
années à venir, les procédés les plus utilisés pour la fabrication des pièces métalliques
ou non.
Pour montrer l’intérêt économique de notre travail on peut rappeler que les ser-
vices industriels du travail des métaux regroupent les activités de forge (estampage,
matriçage, découpage, emboutissage), métallurgie des poudres, traitement et revê-
tement des métaux, décolletage et mécanique générale (usinage par enlèvement de
matière) ont généré en 1999 un chiffre d’affaires hors taxe d’environ 13.5 milliards
d’Euros et en 2001 un chiffre d’affaires hors taxe d’un peu plus de 16 milliards
d’Euros1 .
Les défis des entreprises de ce secteur sont nombreux et la compétitivité est
une tâche difficile à assurer vue la forte concurrence existant dans ce domaine. La
recherche étant un facteur important dans ce processus, des investissements impor-
tants seront nécessaires dans ce domaine pour assurer la qualité des pièces fabriquées
et le gain de productivité.
1
Chifres issus de l’Enquête Annuelle d’Entreprise du Sessi, service des études et des statistiques
industrielles du Ministère de l’Économie des Finances et l’Industrie.
172
Publications nationales et
internationales
– Revues internationales
1. D. Lepadatu, X. Baguenard, A. Kobi, R. Hambli, Luc Jaulin, Spring-
back of Stamping Process Optimization Using Response Surface Metho-
dology and Interval Computation, Quality Technology and Quantitative
Management, soumise en septembre 2006.
2. D. Lepadatu, R. Hambli, A. Kobi, A. Barreau, Optimization of Spring-
back in Bending Process using FEM and Response Surface Method, In-
ternational Journal of Advanced Manufacturing Technology, Received :
6 October 2003 Accepted : 12 February 2004 Published online : 13 April
2005
3. Hambli R., Lepadatu D., Kobi A. and Barreau A., Ductile damage
variation analysis during Metal Extrusion Process using Design of expe-
riment technique, International Journal of Vehicle Design, Vol. 39, Nos.
1/2, pp. 51-61, 2005.
4. D. Lepadatu, R. Hambli, A. Kobi, A. Barreau, Statistical Investigation
of Die Wear in Metal Extrusion Process, International Journal of Advan-
ced Manufacturing Technology, Received : 24 April 2004 / Accepted : 29
July 2004 / Published online : 6 April 2005
5. D. Lepadatu, R. Hambli, A. Kobi, A. Barreau, A New Computational
Design of Experiments for Metal Bending Process Optimization, Compu-
ter Industrial Engineering, - soumise 2004.
– Conférences nationales et internationales
1. Daniel LEPADATU, Ridha HAMBLI, Abdessamad KOBI and Alain
BARREAU, Multiple response optimisation of fatigue life of die using
computer design of experiments, The 2nd International Symposium of
173
CONCLUSIONS
Theoretical and Applied Mechanics - Dimitrie I. Mangeron, Iasi, Roma-

nia, 28-30 October 05
2. D. Lepadatu, X. Baguenard, A. Kobi, R. Hambli, Luc Jaulin, A new
response surface method for manufacturing process optimisation using
interval computation. 16th IFAC World Congress, 4-8 Julie 2005, Prague
- République Tchèque.
3. D. Lepadatu, X. Baguenard, A. Kobi, R. Hambli, Luc Jaulin, Process
optimization using interval computation. QUALITA 2005, 16-18 mars
2005, Bordeaux - France. Actes du congres. Vol 2. pp 505-512.
4. Lantieri Pascal, Guerin Fabrice, Dumon Bernard, Daniel Lepadatu,
Ridha Hambli, Reliability estimation from accelerated life testing based
on Finite Element Method. QUALITA 2005, 16-18 mars 2005, Bordeaux
- France. Actes du congres. Vol 1. pp 379-386.
5. D. Lepadatu, A. Kobi, R. Hambli, A Barreau, Lifetime Multiple Opti-
misation of Metal Extrusion Die, The 51st Annual Reliability and Main-
tainability Symposium (RAMS), janvier 2005, Alexandria - Virginia.
6. Ridha HAMBLI, Daniel LEPADATU, Abdessamad KOBI and Alain
BARREAU, Finite element modeling and optimisation of disc brake wear,
I3M International Mediterranean Modeling Multiconference, Genoa, Italy,
October 28-30 2004
7. F. Babus, D. Lepadatu, A. Kobi, R. Hambli, Computer Aided Tool
for Process Optimization. Application : Metal Bending Process, Procee-
dings of The 9th International Conference on Quality and Dependability
- CCSF’2004, Sinaia - Romania, 29 septembre - 1 octobre., pp. 34-42
8. D. Lepadatu, A. Kobi, R. Hambli, A Barreau, ’Tool life prediction in
metal forming processes using numerical analysis’ 11th IFAC Symposium
on Automation in Mining, Mineral and Metal processing - MMM 2004,
Nancy, France, September 8-10, 2004
9. D. Lepadatu, A. Kobi, R. Hambli, A. Barreau, Statistical process control
of wear phenomenon during metal extrusion process, The 50th Annual Re-
liability and Maintainability Symposium (RAMS), 26 - 29 janvier 2004,
Los Angeles - Californie.
10. D. Lepadatu, A. Kobi, R. Hambli, A. Barreau, Réduction de l’usure des
outils d’extrusion par la méthode de surface de réponse, 3ème Conférence
Internationale - Conception et Production Intégrées - CPI’2003, 22, 23,
24 octobre 2003 Meknès, Maroc.
174
ET PERSPECTIVES
11. D. Lepadatu, A. Kobi, R. Hambli, A. Barreau, Application des Plans

d’expériences numériques pour la réduction de l’usure des outils d’extru-
sion, Conférence Internationale d’Utilisateurs Francophones d’ABAQUS
- Paris 2002
175
176
Références
[ABA] ABAQUS. HKS, Theory manual, tome Version 6.1.

[ABA93] ABAQUS. User’s conference. ”Writing a (V) Umat”. Aachen , Germany,
June, 1993.
[AH91] Ameziane-Hassani H. et Neale K. On the analysis of sheet me-
tal wrinkling. International Journal of Mechanical Science, tome 33,
no 1 :pages 13 – 21, 1991.
[Ahn97] Ahn S., Kim T. et al. A study on the prediction of fatigue life in an
axi-symetric extrusion die. JMPT, tome 71 :pages 343 – 349, 1997.
[Ale83] Alefeld G. et Herzberger J. Introduction to interval computations.
Academic Press, 1983.
[Ale95] Alexis J. Pratique industrielle de la méthode Taguchi. Les plans d’ex-
périences. 1995.
[All00] Allen T. et al. Low-cost response surface methods applied to the de-
sign of plastic fasteners,. Quality Engineering, Volume 12,, tome 12, No.
4, :pages 583–591, 2000.
[And05] Anderson J. The influence of grain size variation on metal fatigue.
International Journal of Fatigue, tome 27 :pages 847 – 852, 2005.
[Ant04] Antonio C.C., F. C. et al. Optimization of metal forming processes,
computers and structures. tome 82 :pages 1425 – 1433, 2004.
[AO99] Attoh-Okine N. Analysis of learning rate and momentum term in
backpropagation neural networks algorithm trained to predict pavement
performance. Advanced Engineering Software, tome 30 :pages 291–392,
1999.
[Ara86] Aravas N. The analysis of void growth that leads to central bursts during
extrusion. Journal of the Mechanics and Physics of Solids, tome 34,
no 1 :pages 55 – 79, 1986.
[Arc53] Archard J. Contact and rubbing of flat surfaces. J. Appl. Phys.,
tome 24 :pages 981 – 988, 1953.
177
RÉFÉRENCES
[Ari03] Arif A.F.M., Sheikh A.K. et al. A study of die failure mechanisms in
aluminum extrusion. Journal of Materials Processing Technology,, tome
134 p :, no Issue 3 :pages 318 – 328, 2003.
”
[Atk97] Atkins A. Fracture mechanics and metalforming : damage mechanics
and the local approach of yesterday and today. 1997.
[Aub04] Auberville. Maintenance industrielle. De l’entretien de base à l’opti-
misation de la sûreté. Editions Ellipses. 2004.
[Avi86] Avitzur B. et Choi J. Analysis of central bursting defects in plane
strain drawing and extrusion. Transactions of the ASME Journal of En-
gineering for Industry, tome 108, no 4 :pages 317 – 321, 1986.
[Bab04] Babus F., Lepadatu D. Kobi A. et al. Computer aided tool for pro-
cess optimization. application : Metal bending process. Proceedings of The
9th International Conference on Quality and Dependability - CCSF’2004,
Sinaia - Romania, 29 septembre - 1 octobre, pages 34 – 42, 2004.
[Bag04] Baguenard X., Dao M. et al. Solver intervalpeeler. available at
http ://www.istia.univ-angers/ baguenar, 2004.
[Bag05] Baguenard X. Propagation de contraintes sur les intervalles. Appli-
cation ? l’étalonnage des robots. Thèse de doctorat, Université d’Angers,
2005.
[Bah05] Bahloul R., Ben-Elechi S. et al. Optimisation of springback pre-
dicted by experimental and numerical approach by using response surface
methodology. Journal of Materials Processing Technology - In press, 2005.
[Bal93] Balun T., Ling P. et al. Detection and elimination of wrinkles on
auto-body panel by the binder set analysis,. SAE Tec. pap. series 930515,
1993.
[Bal96] Balan T. Optimisation de forme des outils de forgeage par la méthode
inverse. Thèse de doctorat, Ecole Nationale Supérieure des Mines de
Paris - CEMEF - France, 1996.
[Bat95] Batoz J.L. et Gouri D. Modélisation des structures par éléments finis.
1995.
[Ben01] Bending I. Disponible à l’adresse :. , 01.
URL http://nsmwww.eng.ohio-state.edu/BendingOverview/html/
bending_system.html
[Ben94a] Benhamou F., McAllester D. et al. Clp intervals revisited. Pro-
ceedings of the International Logic Programming Symposium, Ithaca,NY.,
pages 124 – 138, 1994.
178
RÉFÉRENCES
[Ben94b] Benoist D., Tourbier Y. et al. Plans d’expériences : construction

et analyse. 1994.
[Ber74] Bertrandie J.J. Profilage. Technique de l’ingénieur, BM7574.
[Bes03] Besse P. Pratique de la modélisation Statistique - cours. 2003.
[Bha87] Bhatt D. Processing modeling for superplastic forming of metal sheets.
U.S. Paten Document, tome 4658362, 1987.
[Bjo89] Bjorke O. Computer Aided Tolerancing. Tapir Publishers, Trondheim,
Norway., 1989.
[Bor90] Borne P. et al. Commande et optimisation des processus. 1990.
[Bos85] Bostbarge G., Faure H. et al. Forgeage à froid de l’acier. choix de
l’acier et procédés. Techniques de l’Ingénieur. Traité Matériaux métal-
liques, M 3085.
[Bou30] Bouhelier C. Travail des métaux en feuilles - formage des tôles fortes.
Techniques de l’Ingénieur. Traité Génie mécanique., B7630.
[Bou66] Bouhelier C. Chaudronnerie lourde, techniques de l’ingénieur, traité
génie mécanique. A866.
[Box51] Box G.E.P. et Wilson K.B. On the experimental design for attainment
of optimum conditions. Journal of the Royal Statistical Society,, tome
Series B 13, :pages 1–45, 1951.
[Box87] Box G. et Draper N.R. Empirical model building and response sur-
faces. 1987.
[Bra01] Braems, Jaulin L. et al. Set computation, computation of volumes
and data safety. Proceedings of SCAN, 2001.
[Bro72] Brozzo P., Deluca B. et al. A new method for the prediction of
formability limits in metal sheets, sheet metal forming and formability.
Proceedings of the Seventh Biennial Conf. of the International Deep Dra-
wing Research Group, Amsterdam, Netherlands, 1972.
[Bro95] Broberg K. Critical review of some methods in nonlinear fracture me-
chanics. Engng. Fract. Mech., tome 50 :pages 815 – 833, 1995.
[Bro03] Browne M. et Hillery M. Optimising the variables when deep-drawing
c.r.1 cups,. Journal of Materials Processing Technology, tome 136 :pages
64 – 71, 2003.
[Bug98] Bugmann G. Normalized radial basis function networks. neurocompu-
ting. Radial Basis Function Networks, tome 20 :pages 97–110, 1998.
Special issue.
179
RÉFÉRENCES
[Bur04] Bursztyna D. et M S.D. Comparison of designs for computer experi-

ments. Journal of Statistical Planning and Inference, In press., 2004.
[Bye03] Byeng D. et Youn K.a.K. A new response surface methodology for
reliability-based design optimization. Computers and Structures, 2003.
[Cal01] Caldora C.M. Optimisation de dispositifs électromagnétiques dans un
contexte d’analyse par la méthode des éléments finis,. Thèse de doctorat,
2001.
[Cao97] Cao J. et Boyce M. Wrinkling behaviour of rectangular plates under
lateral constraint. International Journal Structure, tome 34, no 2 :pages
153 – 76, 1997.
[Car94] Carter W. A model for friction in metal forming, journal of engineering
material technology. tome 113 :pages 8 – 13, 1994.
[Car66] Cartier M. et Kapsa P. Usure des contacts mécaniques. Techniques
de l’Ingénieur, traité Génie mécanique, BM 5066.
[Cas96] Castillo E.D. et al. Modified desirability function for multiple response
optimization. JQT, tome 28., 1996.
[Ch’05] Ch’ng C. A new approach for multiple response optimization. Quality
Engineering, 2005.
[Cha81] Chaboche J. Continuous damage mechanics-a tool to describe pheno-
mena before crack initiation. Nucl. Engrg. Des., tome 64 :pages 233 –
247, 1981.
[Cha88] Chaboche J. Phenomenological aspects of continiuum damage mecha-
nics. 1th UTAM Int. Congress on Theo. and Applied Mech., Grenoble,
France, pages 41–56, 1988.
[Cha96] Charon I., A. G. et al. Méthodes d’optimisation combinatoire. 1996.
[Che02] Cheng C.B., Cheng C.J. et al. Neuro-fuzzy and genetic algorithm
in multiple response optimization. IJMCA, tome 44 :pages 1503 – 1514,
2002.
[Che03] Cherouat A., Saanouni K. et al. Numerical improvement of thin
tubes hydroforming with respect to ductile damage. International Journal
of Mechanical Sciences, 2003.
[Che04] Chebou et al. Base de données sur les procèdes de fabrication des pièces
mécaniques. Rapport de projet de stage., ISTIA - Université d’Angers,
2004. Encadré par R. Hambli.
180
RÉFÉRENCES
[Cho96] Choy C. et Balendra R. Experimental analysis of parameters influen-

cing sheared-edge profiles. The 5th Inter. Conference on Sheet Metal,
University of Twente, Netherland, 1-3 April, , no 101 - 110, 1996.
[Cho99] Chou I.N. et Chinghua H. Finite element analysis and optimization
on springback reduction. International Journal of Machine Tools & Ma-
nufacture, tome 39 :pages 517 – 536, 1999.
[Cho03] Choudhury S. et Bartarya G. Role of temperature and surface finish
in predicting tool wear using neural network and design of experiments.
International Journal of Machine Tools and Manufacture, tome 43 :pages
747 – 753, 2003.
[Chr97] Christiansen S. et de Chiffre L. ’topographic characterization of
progressive wear on deep drawing dies,”. STLE Tribol. Trans.,, tome 40,
no 346 - 352, 1997.
[Chu97] Chung J. et S.M. H. Application of a genetic algorithm to the opti-
mal design of the die shape in extrusion. J. Mater. Process. Technol,
tome 72 :pages 69 – 77, 1997.
[Cia94] Ciarlet P.G. Introduction à l’analyse numérique matricielle et à l’op-
timisation,. Barcelone : Masson, pages 167– 201., 1994.
[Cla50] Clavier J. Qualité et qualitique. Techniques de l’ingénieur, A 8 750.
[Cle87] Cleary J.G. Logical arithmetic. Future Computing Systems,, tome 2,
no 2 :pages 125–149, 1987.
[Cli90] Clift S., Hartley P. et al. Fracture prediction in plastic deformation
process. Int. J. Mech. Sci., tome 32 n˚1, p : , :pages 1 – 17, 1990.
[Coc66] Cockroft M. et Latham D. A simple criterion for fracture for ductile-
fracture of metals. National Engineering Laboratory, Report 240, 1966.
[Coc68] Cockcroft M. et Latham D. Ductility and the workability of metals.
J. Inst. Metals, pages 33 – 46, 1968.
[Col10] Col A. Emboutissage des tôles. importance des modes de déformation.
Techniques de l’Ingénieur, BM 7 510.
[Col72] Collinet. Le filage. 2e partie : L’écoulement pendant le filage. (billette
expérimentale feuilletée : influence de la lubrification vitreuse sur l’écou-
lement du métal). Cefilac-Persan, 1972.
[Col11] Col A. Emboutissage des tôles. aspect mécanique. Techniques de l’Ingé-
nieur, BM 7511.
181
RÉFÉRENCES
[Cor90] Cornell J. How to Apply Response Surface Methodology, tome vol. 8.

1990.
[Cor04] Correia D.M.J. et Ferron G. Wrinkling of anisotropic metal sheets
under deep-drawing : analytical and numerical study. Journal of Materials
Processing Technology, tome 155 - 156 :pages 1604 – 1610, 2004.
[Cou99] Coupez T. et Nouatin A.I. Optimisation of forming by using the
simplex method and preliminary results on an explicit 3d viscoelastic so-
lution. J. A. Covas (éditeur), 2nd ESAFORM Conference, Guimarães,
pages 477 – 480, 1999.
[Cra99] Crary S., Cousseau P. et al. Optimal design of computer experi-
ments for the generation of microsystem macromodels using imset and
non-parametric fitting. International Conference on Modeling and Simu-
lation of Microsystems - Puerto Rico, USA, 1999.
[Cra01] Crary S.B. et al. Designing efficient computer experiments for meta-
model generation. Proceedings of the International Conference on Mode-
ling and Simulation of Microsystems Nanotech, 2001.
[Cri91] Criesfeld M. Nonlineaire finite element analysis of solids and structure,
tome 1. 1991.
[Cun42] Cunat P.J. Aciers inoxydables. mise en oeuvre. Techniques de l’Ingé-
nieur, M4542.
[Dan03] Dantan et al. Spécification géométrique fonctionnelle des engrenages
par frontière virtuelle. CPI’2003 - Mekhnès Maroc, 2003.
[Dao01] Dao M., Baguenard X. et al. Solver proj2d. available at -
http ://www.istia.univ-angers/ dao/Proj2DV2.zip/, 2001.
[Dav87] Davis E. Constraint propagation with interval labels. Artificial Intelli-
gence, tome 32, no 3 :pages 281–331, 1987.
[Daw97] Dawson P., Bammann D. et al. Modeling the influence of gradients
in strength on the evolution of damage in metals. In : M. Predeleanu
and P. Gilormini, Editors, Advanced Methods in Materials Processing
DefectsStudies in Applied Mechanics, tome 45 :pages 99 – 110, 1997.
[Dea00] Dean A. et all. Design and Analysis of Experiments,. 2000.
[DeL00] DeLoach R. Improved quality in aerospace testing trough the modern
design of experiments. 38th, Aerospace Science Meeting - January Reno,
Nevada, 2000.
182
RÉFÉRENCES
[Del02] Delannoy C. Programmer en Fortran 90 - Guide complet. Eyrolles,

2002.
[Der80] Derringer G. et al. Simultaneous optimization of several response
variables. JQT, tome 12, 1980.
[Di97] Di S. et Thomson P. Neural network approach for prediction of wrink-
ling limit in square metal sheet under diagonal tension. J Test Eval,
JTEVA, tome 25, no 1 :pages 74 – 81, 1997.
[DMC01] De Magalhaes Correia J.P. et Ferron G. Étude analytique et nu-
mérique de l’apparition du plissement en emboutissage. XV - ème Congres
Français de Mécanique, Nancy, 3-7 Septembre, 2001.
[Dra99] Draper J. Modern metal fatigue analysis. 1999.
[Dro97] Droesbeke J.J., Fine J. et al. Plans d’expériences. Applications à
l’entreprise. 1997.
[Duc80] Ducroco J.C. et Saumon D. Optimisation des processus énergétiques :
concepts. Techniques de l’ingénieur, B 1 280.
[Duf80] Dufailly J. Modélisation mécanique et identification de l’endomma-
gement plastique des métaux. Thèse de doctorat, Univ. Pierre et Marie
Curie - Paris 6, 1980.
[EK01] El-Kassas E.M.A., Mackie R.I. et al. Using neural networks in
cold-formed steel design. Computers & Structures, tome 79, no 18 :pages
1687 – 1696, 2001.
[Emb02] Emboutissage I. Disponible à l’adresse :.
http ://www.amysa.com/Html/FR/b1.htm, 02.
[Eng60] Engerand J.L. Techniques de l’ingénieur, mécanique de la rupture.
Traité Génie mécanique, B 5060.
[Ext01] Extrusion P.m. Disponible à l’adresse internet. , 01.
[Fal01] Falk B., Engel U. et al. Fundamental aspects for the evaluation of
the fatigue behaviour of cold forging tools. Journal of Materials Processing
Technology, tome 119, :pages 158 – 164, 2001.
[Fan05] Fan J., Tang C. et al. 3d finite element simulation of deep drawing
with damage development. International Journal of Machine Tools and
Manufacture, tome 1 - 10, 2005.
[Fau04] Faucher J. Pratique de l’AMDEC. 2004.
[Fel00] Felder E. Procédes de mise en forme. introduction. Technique de
l’ingénieurs, M 3000.
183
RÉFÉRENCES
[Fis01] Fissure I. Disponible à l’adresse. http ://www.efunda.com, 01.

[Fis95] Fischer F., Kolednik O. et al. A note on calibration of ductile
failure damage indicators. Int. J. Fracture, tome 73 :pages 345 – 357,
1995.
[Fis97] Fishman G.S. Monte-Carlo Concepts, Algorithms and Applications.
1997.
[Flo94] Floquet P. Optimisation et génie des procédés. De l’algorithme à la
logique floue. 1994.
[Fol91] Followell D.A. et al. Computer aided reliability finite element me-
thod. Proceedings Annual Reliability and Maintainability Symposium.
RAMS, 1991.
[For98] Forcellese A., Fratini L. et al. The evaluation of springback in 3d
stamping and coining processes. Journal of Materials Processing Techno-
logy, tome 80 - 81 :pages 108 – 112, 1998.
[For04] Forestier R. Développement d’une méthode d’identification des pa-
ramètres par analyse inverse couplée avec un modèle éléments finis 3D.
Thèse de doctorat, École Nationale Supérieure des Mines de Paris., 2004.
[Fou96a] Fourment L. et Chenot J. Optimal design for non-steady-state metal
forming processes. i. shape optimal design method. Int. J. Numer. Meth.
Eng., tome 39 :pages 33–50, 1996.
[Fou96b] Fourment L. et Chenot J. Optimal design for non-steady-state metal
forming processes. ii. application of shape optimization in forging. Int. J.
Numer. Meth. Eng., tome 39 :pages 51– 65, 1996.
[Fow98] Fowlkes W.Y. et Creveling C.M. L’ingénierie robuste. 1998.
[Fra26] François D. Essais de rupture. Techniques de l’Ingénieur, M 126.
[GA99] Geun-An L. et al. Finite element investigation of the wear and elastic
deformation of dies in metal forming. Journal of Materials Processing
Technology, tome 89 - 90 :pages 123 – 127, 1999.
[Gan02] Ganapathysubramanian S. et Zabaras N. A continuum sensiti-
vity method for finite thermo-inelastic deformations with applications to
the design of hot forming processes. Int. J. Numer. Methods Engrg.,
tome 55 :pages 1391 – 1437, 2002.
[Gan05] Gantar G. et Kuzman K. Optimization of stamping processes aiming
at maximal process stability. Journal of Materials Processing Technology,
tome 167 :pages 237 – 243, 2005.
184
RÉFÉRENCES
[Gau01] Gau J.T. et Kinzel G.L. An experimental investigation of the influence

of the bauschinger effect on springback predictions. Journal of Materials
Processing Technology, tome 108 :pages 369 – 375, 2001.
[GD03] Gierzynska-Dolna M. et Lacki P. Some aspect of modeling of metal
forming process. Computer and Structures, tome 81 :pages 605 – 613,
2003.
[Gel98] Gelin J.C. Modelling of damage in metal forming processes. Journal of
Materials Processing Technology, tome Volumes 80 - 81 :pages 24 – 32,
1998.
[Ger97] Gerth R. Tolerance Analysis : A Tutorial of Current Practice., chapitre
Chpt. 4. Advanced Tolerancing Techniques, 1997.
[Gou83] Gourdin A. et Boumahrat M. Méthodes numériques Appliquées (avec
nombreux problèmes résolus en Fortran IV). Paris : Lavoisier Technique
et Documentation, 1983.
[Gou99] Goupy J. Plans d’expériences pour surface de réponse. 1999.
[Gou00] Gouveia B., Rodrigues J. et al. Ductile fracture in metalworking :
an experimental and theoretical research. J. Mater. Process Tech., tome
101 :pages 52 – 62, 2000.
[Gra02a] Granvilliers et Jaulin L. Introduction aux contraintes d’intervalles.
application à l’estimation à erreurs bornées. Disponible à l’adresse :
http ://www.istia.univ- angers.fr/ jaulin/publications.html, 2002.
[Gra02b] Granvilliers L. Realpaver. Disponible à l’adresse -
http ://www.sciences.univnantes.fr, 2002.
[Gua01] Guan X. et Melchers R. Effect of response surface parameter variation
on structural reliability estimates. Structural Safety, tome 23 :pages 429
– 444, 2001.
[Guo02] Guo Y.Q., Gati W. et al. An efficient dkt rotation free shell ele-
ment for springback simulation in sheet metal forming. Computers &
Structures, tome Volume 80, no Issues 27-30 :pages 2299 – 2312., 2002.
[Gur77] Gurson A.L. Continuum theory of ductile rupture by void nucleation
and growth. J. Eng. Materials and Technology , Trans. of the ASME,,
tome 99 :pages 2 – 15, 1977.
[Ham95] Hammer R., Hocks M. et al. C++ Toolbox for Verified Computing.
1995.
185
RÉFÉRENCES
[Ham96] Hambli R. Étude expérimentale, numérique et théorique du découpage

des tôles en vue de l’optimisation du procédé. Thèse de doctorat, ENSAM
ANGERS, 1996.
[Ham00a] Hambli R. et all. Damage en fracture simulation during the extrusion
process. Comput. Methods Appl. Mech. Engrg., 2000.
[Ham00b] Hammi Y. Simulation numérique de l’endommagement dans les pro-
cédés de mise en forme. Thèse de doctorat, Université de Technologie
Compiègne, 2000.
[Ham01a] Hambli R. Blanking tool wear modelling using the finite element
method, international. Journal of Machine Tools and Manufacture,,
tome 41 :pages 1815 – 1829, 2001.
[Ham01b] Hamed E. et Ader S. Application of multiple response optimization
technique to extend release formulation design. JCR, tome 73, 2001.
[Ham05a] Hambli R. Statistical damage analysis of extrusion process using finite
element and neural network simulation. International Journal of Plasti-
city, 2005.
[Ham05b] Hambli R., Lepadatu D. et al. Ductile damage variation analysis
during metal extrusion process using design of experiment technique. Int.
J. Vehicle Design,, tome 39, no 1/2 :pages 51 – 61, 2005.
[Han92] Hansen E. Global Optimization Using Interval Analysis. 1992.
[Hao99] Hao J.K., Galinie P. et al. Méthaeuristiques pour optimisation com-
binatoire et l’affectation sous contraintes. Revue d’intelligence artificielle,
1999.
[Har65] Harrington E.C. The desirability function,. IQC 21, 1965.
[Has02] Hassan M., Takakura N. et al. Friction aided deep drawing of
sheet metals using polyurethane ring and auxiliary metal punch. part
1 : experimental observations on the deep drawing of aluminium thin
sheets and foils. International Journal of Machine Tools & Manufacture,
tome 42 :pages 625 – 631, 2002.
[Hay94] Haykin S. Neural networks - a comprehensive foundation. New York :
Macmillan, 1994.
[Hei97] Heinzel C. et al. Model based optimisation of grinding process using
genetic algorithm and target tree method. Fift Europeean Congress on
Inteligent Techniques and Soft Computing, Aachen, Germany - EUFIT
’97., 1997.
186
RÉFÉRENCES
[Hor99] Horting D. et Schmoeckel D. Analysis of local loads on the draw die

profile with regard to wear using the fem and experimental investigations.
The 7th International Conference on Sheet Metal, Erlangen, Germany,
25-28 Sept., pages 193 – 202, 1999.
[Imb95] Imbert J.F. Analyse des structures par éléments finis. 1995.
[Ina02] Inamdar M., Date P. et al. On the effect of geometric parameters on
springback in sheets of five materials subjected to air vee bending. Journal
of Materials Processing Technology, tome 123, :pages 459 – 463, 2002.
[Inc04] Incandela O. et al. Modelling and analysis of a deep-drawing ope-
ration : key factors for successful comparisons between experimental and
simulated results. Journal of Materials Processing Technology, tome 155
- 156 :pages 1105 – 1110, 2004.
[Jai00] Jaisingh A. et al. Sensitivity analisis of deep draving process. 9th
International Conference on Sheet Metal, Leuven 2 - 4 April, 200.
[Jau01] Jaulin L. et al. Applied Interval Analysis, with Examples in Parameter
and State Estimation, Robust Control and Robotics. 2001.
[Jen97] Jenkins W.M. An introduction to neural computing for the structural
engineer. The Struct Engng, tome 75, no 3 :pages 38 – 41, 1997.
[Jen98] Jensen M., Damborg F. et al. Applying the finite element method
for determination of tool wear in conventional deep-drawing. Journal of
Materials Processing Technology, tome 83 :pages 98 – 105, 1998.
[Jeo01] Jeong D.J., Kim D.J. et al. Effects of surface treatments and lubri-
cants for warm forging die life. Journal of Materials Processing Techno-
logy, tome 113, no Issues 1-3 :pages 544 – 550, 2001.
[Ju01] Ju Y., Saka M. et al. N d e of closed fatigue crack on the metal
surface by microwaves. 10th Asia-Pacific Conference on Non-Destructive
Testing, 17 - 21 September - Brisbane, Australia., 2001.
[Kac58] Kachanov L. Time of the rupture process under creep conditions. Izv.
Akad. Nauk. SSR Otd., Teckh. Nauk, tome 8 :pages 26 – 31, 1958.
[Kal91] Kalpakjian S. Manufacturing processes for engineering materials,. Ad-
dison Wesley PublishingCompany - 2nd edition, 1991.
[Kaz03] Kazutake K. Efect of ductile fracture criteria on chevron crack for-
mation and evolution in drawing, international journal of mechanical
sciences. tome 45 :pages 141 – 160, 2003.
187
RÉFÉRENCES
[Kea97] Kearfott R.B. Rigorous global search : Continuous problems. Kluwer

Academic Publishers, Dordchet, 1997.
[Kha04] Khalfallah A. Identification de lois de comportement elastoplastique
par essais inhomogènes et simulations numériques. Thèse de doctorat,
2004.
[Khu87] Khuri A.I. et Cornell J. Response Surface Design, and Analysis,.
Marcel Dekker, New York, NY, 1987.
[Kle99] Kleinermann J.P. et Ponthot J.P. Optimization methods for inverse
problems in large strain plasticity. E.M. Croitoro (Ed.), Proceedings of the
First Canadian Conference on Nonlinear Solid Mechanics, CANCNSM’
99, Canada, June, tome 1 :pages 244 – 253, 1999.
[Kle03] Kleinermann J.P. et Ponthot J.P. Parameter identification and
shape/process optimization in metal forming simulation. Journal of Ma-
terials Processing Technology, tome 139 :pages 521 – 526, 2003.
[Ko96] Ko D.C., Kim B.M. et al. Prediction of surface-fracture initiation in
the axisymmetric extrusion and simple upsetting of an aluminium alloy.
J. Mater. Process Technology, tome 62 :pages 166 – 178., 1996.
[Ko00] Ko D.C. et Kim B.M. Development of an analytical scheme to predict
the need for tool regrinding in shear process. Int. J. Mach. Tools Manuf,
tome 40 :pages 1329 –1349., 2000.
[Koe96] Koehler J.R. et Owen A.B. Computer Experiments, Handbook of
Statistics, tome 13. 1996.
[Kom99] Komori K. Simulation of chevron crack formation and evolution in
drawing, international journal of mechanical sciences. tome 41 :pages
1499 – 1513, 1999.
[Kri75] Krin J.B. Initiation à la programmation en Fortran. Paris : Centre
d’édition et de documentation de l’ENSTA, 1975.
[Kur85] Kurt L. Handbook of metal forming. McGraw- Hill Book Company,
1985.
[Kyu00] Kyung K.C. et Nam H.K. Design optimization of deep drawing pro-
cess,. Published by the American Institute of Aeronautics and Astronau-
tics, 2000.
[Lap98] Lapeyre B., Pardoux E. et al. Méthodes de Monte-Carlo pour les
équations de transport et de diffusion. 1998.
188
RÉFÉRENCES
[Lar03] Larousse M. Analyse de sensibilité 3D par la méthode de l’état adjoint

- Application au forgeage. Thèse de doctorat, 2003.
[Lau97] Lauro F., Barrire T. et al. Damage framework for the prediction
of material defects : identification of the damage material parameters
by inverse technique,. M. Predeleanu, P. Gilormini (Eds.), Advanced
Methods in Materials Processing Defects, Studies in Applied Mechanics,
tome 45 :pages 165 – 174, 1997.
[Lee99] Lee G.A. et all. Finite element investigation of the wear and elastic
deformation of dies in metal forming. Journal of Materials Processing
Technology, 1999.
[Lee00] Lee Y.C. et all. Failure analysis of a cold-extrusion punch to enhance
its quality and prolong its life. JMPT, tome 105, 2000.
[Lem85] Lemaitre J. A continuous damage mechanics model for ductile fracture.
Journal of Engineering Materials and Technology, tome 107 :pages 83–89,
1985.
[Lem92] Lemaitre J. A Course in Damage Mechanics. 1992.
[Lem00] Lemaitre J., Desmorat R. et al. Anisotropic damage laws of evo-
lution. Eur. J. Mec A/Solids, tome 19 :pages 187 – 208, 2000.
[Lep02] Lepadatu D., Hambli R. et al. Application des plans d’expériences
numériques pour la réduction de l’usure des outils d’extrusion. Conférence
Internationale d’Utilisateurs Francophones d’ABAQUS - Paris, 2002.
[Lep03] Lepadatu D., Kobi A. et al. Réduction de l’usure des outils d’ex-
trusion par la méthode de surface de réponse,. 3ème Conférence Inter-
nationale - Conception et Production Intégrées - CPI’2003, 22, 23 & 24
octobre, Meknès, Maroc., 2003.
[Lep04a] Lepadatu D., Hambli R. et al. A new computational design of ex-
periments for metal bending process optimization. Computer Industrial
Engineering - In press, 2004.
[Lep04b] Lepadatu D., Kobi A. et al. Statistical process control of wear phe-
nomenon during metal extrusion process. The 50th Annual Reliability
& Maintainability Symposium (RAMS), 26 - 29 January, Los Angeles -
Californie, 2004.
[Lep05a] Lepadatu D., Baguenard X. et al. A new response surface method
for manufacturing process optimisation using interval computation. 16th
IFAC World Congress, 4-8 Julie 2005, Prague - République de Tchèque,
2005.
189
RÉFÉRENCES
[Lep05b] Lepadatu D., Hambli R. et al. Optimization of springback in bending

process using fem and response surface method. International Journal of
Advanced Manufacturing Technology, tome 27 :pages 40 – 47, 2005.
[Lep05c] Lepadatu D., Hambli R. et al. Statistical investigation of die wear
in metal extrusion process. International Journal of Advanced Manufac-
turing Technology, 2005.
[Lep05d] Lepadatu D., Kobi A. et al. Lifetime multiple optimisation of metal
extrusion die. The 51st Annual Reliability & Maintainability Symposium
(RAMS) 27-30 janvier - Alexandria - Virginia., 2005.
[Lia02] Lia K., Cardenb W. et al. Simulation of springback. International
Journal of Mechanical Sciences., tome 44 :pages 103 –122., 2002.
[Lih04] Lihui L., Joachim D. et al. Investigation into hydrodynamic deep
drawing assisted by radial pressure part i. experimental observations of
the forming process of aluminum alloy,. Journal of Materials Processing
Technology, tome 148 :pages 119 – 131, 2004.
[Lin03] Lin Z., Xia J. et al. Optimization of die profile for improving die life
in the hot extrusion process. Journal of Materials Processing Technology,
tome 142 :pages 659–664, 2003.
[Lin05] Lingbeek R., Huetink J. et al. The development of a finite elements
based springback compensation tool for sheet metal products. Journal of
Materials Processing Technology, tome 169 :pages 115 – 125, 2005.
[Liu02] Liu G. et al. Variable blankholder force in u-shaped part forming for
eliminating springback error, journal of materials processing technology.
tome 120 :pages 259 – 264, 2002.
[Liu05] Liu Y. et Sankaran M. Multiaxial high-cycle fatigue criterion and life
prediction for metals. International Journal of Fatigue, tome 27 :pages
790 – 80, 2005.
[Liv02] Livatyalia H., Wub H. et al. Prediction and elimination of spring-
back in straight flanging using computer-aided design methods part 2 :
Fem predictions and tool design. Journal of Materials Processing Tech-
nology, tome 120 :pages 348–354, 2002.
[LP01] Li-Ping L., Sang-Moon H. et al. Finite element analysis and design
in stainless steel sheet forming and its experimental comparison. Journal
of Materials Processing Technology, tome 110 :pages 70 – 77, 2001.
[Lu43] Lu J. Fatigue des alliages ferreux - facteurs d’influence. Techniques de
l’Ingénieur, Traité Génie mécanique, BM 5043.
190
RÉFÉRENCES
[Mad69] Madayag A. Metal Fatigue : Theory and Design. 1969.

[Man98] Mangnin V. Contribution à l’étude et à l’optimisation de composants
optoélectroniques,. Thèse de doctorat, 1998.
[Man02] Mangnin V. Optimisation et algorithmes génétiques. Notes de cours.,
2002.
URL http://www.eudil.fr/~vmagnin/coursag/index.html
[Mar84] Marques J.M.M. Stress computation in elastoplasticity. C.Eng. Comp,
tome 1, 1984.
[Mar99] Marty C. et Linares J.M. Industrialisation des produits mécaniques
- Procédés de fabrication. 1999.
[Mat40] Mathieu D. et Phan-Than-Luu. Planification d’expériences en for-
mulation : criblage. Techniques de l’ingénieur, J 2 240.
[Mat02] Matha M. et Grizel B. Finite element approach in the plate ben-
ding process. Journal of Materials Processing Technology, tome 125 -
126 :pages 778 – 784, 2002.
[Maz87] Mazilu P. Prediction of the wrinkling instabilities by long wavelength
perturbation in thin sheet metal form. In : Predeleanu M, editor. Compu-
tational methods for predicting material processing defects. Amsterdam :
Elsevier ;, pages 263 – 274, 1987.
[McC68] McClintock F. A criterion for ductile fracture by the growth of holes.
Journal of Applied Mechanics, pages 363 – 371, 1968.
[McV05] McVeigh et al. Prediction of central bursting during axisymmetric cold
extrusion of a metal alloy containing particles. International Journal of
Solids and Structures - In press, 2005.
[Mil02] Milberg C., Iris D.T. et al. Improving design fitness through tole-
rance analysis and tolerance allocation. 3rd International Conference on
Concurrent Engineering in Construction 1-2 July - University of Califor-
nia, Berkeley., 2002.
[Min45] Miner M.A. Cumulative damage in fatigue. J Appl Mech, Trans Am
Soc Mech Engrs, tome 67, no A149, 1945.
[Mka02] Mkaddem A., Hambli R. et al. Comparison between gurson and
lemaı̂tre models in wiping die bending. International Journal of Advanced
Manufacturing, 2002.
[Mka03] Mkaddem A. Expérimentation et simulation du pliage des tôles H.L.E.
Prévision du comportement en service des pièces pliées. Thèse de docto-
rat, ENSAM Angers, 2003.
191
RÉFÉRENCES
[Mon00] Montheillet F. Métallurgie en mise en forme. Techniques de l’Ingé-

nieur, M 600.
[Mon01] Montgomery D.C. Design and analysis of experiments. 2001.
[Moo66] Moore R.E. Interval Analysis. 1966.
[Moo79] Moore R. Methods and applications of interval analysis. SIAM Studies
in Applied Mathematics, Philadelphia, 1979.
[Mor78] Morris D.M., Reaugh J.E. et al. A plastic-strain, mean stress crite-
rion for ductile fracture. Journal of engineering materials and technology,,
tome 100, 1978.
[Nad05] Nader A., Zampaloni M.A. et al. Wrinkling control in alumi-
num sheet hydroforming. International Journal of Mechanical Sciences,
tome 47 :pages 333 – 358, 2005.
[Nam02] Nam H.K., Ki Young Y. et al. Mesh free analysis and die shape
design of extrusion process. American Institute of Aeronautics and As-
tronautics, 2002.
[Nar95] Narayanasamy R. et Sowerby R. Wrinkling behaviour of cold rolled
sheet metals when drawing through a tractrix die. Journal of Material
Processing Technologye, tome 49 :pages 199 – 211, 1995.
[Nar05] Narayanasamy R. et Loganathan C. The influence of friction on
the prediction of wrinkling of prestrained blanks when drawing through a
conical die. Materials and Design - In press, 2005.
[Nee72] Needleman A. Void growth in an elastic-plastic medium. Journal of
Applied Mechanics, tome 39 :pages 964 – 970, 1972.
[Nel65] Nelder J. et Mead R. A simplex method for function minimization.
Computer Journal, tome 7 :pages 308 – 313, 1965.
[Neu90] Neumaier A. Interval methods for systems of equations. Cambridge
University Press, 1990.
[Ngo98] Ngoi B.A. et Ong C.T. Product and process dimensioning and tole-
rancing techniques : A state-of-the-art review. International Journal of
Advanced Manufacturing Technology,, tome 14 :pages 910 – 917, 1998.
[Noo03] Noordin M., Venkatesh V. et al. Application of response surface
methodology in describing the performance of coated carbide tools when
turning aisi 1045 steel. Journal of Materials Processing Technology, 2003.
[Nou87] Nougier J. Méthodes de calcul numérique. 1987.
192
RÉFÉRENCES
[Oha98] Ohata T., Nakamura Y. et al. Improvement of optimum process

design system by numerical simulation. J. Mater. Process. Technol., tome
80 - 81 :pages 635 – 641, 1998.
[Onu03] Onur K. et Necip D. Joint optimization of mean and standard deviation

using response surface methods. Journal of Quality Technology, tome 35,
no 3, 2003.
[Oth98] Othmani I. Optimisation multicritère : fondements et concepts. Thèse

de doctorat, 1998.
URL http://publications.imag.fr/publications/theses/1998/
Othmani.Imed/notice-francais.html
[Oua01] Ouabiba et al. Couplage entre des methods d’optimisation iteratives et

des methodes de simulation à eveniments discrets. 3eme Conférence Fran-
cophone de MOdélisation et SIMulation ”Conception, Analyse et Ges-
tion des Systèmes Industriels” MOSIM’01 - du 25 au 27 avril - Troyes
(France)., 2001.
[Oya80] Oyane M., Sato T. et al. Criteria for ductile fracture and their
application’. Journal of Mechanical Working Technology, tome 4 :pages
65 – 81, 1980.
[Pai96] Paiter B., Shivpuri R. et al. Prediction of die wear during hot-
extrusion of engine valves. Journal of Materials Processing Technology,
tome 59 :pages 132 – 143, 1996.
[Pap96] Papadrakakis V.P. et Lagaros N. Structural reliability analysis of

elastic¯plastic structures using neural networks and monte carlo simula-
tion. Comput. Methods Appl. Mech. Engrg., tome 136 :pages 145 – 163,
1996.
[Par83] Park J. J. andRebelo N. et Kobayashi S. A new approach to pre-

form design in metal forming with the finite element method. Int. J. Tool
Des. Res., tome 23, no 1 :pages 71 – 79, 1983.
[Par01] Parker P., Morton M. et al. A single-vector force calibration me-

thod featuring the modern design of experiments. 39 th AIAIA Aerospace
Sciences Meeting and Exhibit, Reno Nevada, 2001.
[Par05] Park Y. et Colton J.S. Failure analysis of rapid prototyped tooling in

sheet metal forming- cylindrical cup drawing. Journal of Manufacturing
Science and Engineering, tome 127 :pages 127 – 137., 2005.
193
RÉFÉRENCES
[Pay04] Payan J. Etude du comportement de composites stratifies sous charge-

ment statique et de fatigue. Thèse de doctorat, Université Aix-Marseille
II, 2004.
[Pel71] Pelletier J.P. Techniques numériques appliques au calcul scientifique.
1971.
[Per40] Pernot M. Filage de l’acier et des métaux difficiles à déformer. Tech-
niques de l’Ingénieur, Traité Matériaux métalliques, M 640.
[Pha00] Pham D.T.e.a. Intelligent optimisation Techniques. Genetic Al-
gorithms, Tabu Search, Simulated Annealing and Neural Networks.,.
Springer-Verlag New York, 2000.
[Pic92] Picart P., Oudin J. et al. Finite element simulation of void nu-
cleation growth and coalescence in isotropic standard elasto-plasticity :
application to cold forging. Journal of Materials Processing Technology,
tome 32, no Issues 1- 2 :pages 179 – 188, 1992.
[Pil97] Pillet M. Les plans d’expériences par la méthode Taguchi. 1997.
[Pil02] Pillet M. Avant les plans d’expériences. l’entonnoir à x ! 6eme Colloque
Expérimentique Orleans 13 juin., 2002.
[Pit01] Pitoset X. Méthodes spectrales pour une analyse en fatigue des struc-
tures métalliques sous chargements aléatoires multiaxiaux. Thèse de doc-
torat, 2001.
[Pom95] Pomey G. et Parniere P. Travail des métaux en feuilles. aptitude à
l’emboutissage des tôles minces. Techniques de l’Ingénieur, M 695.
[Por29] Porte C. Méthodes directes d’optimisation. méthodes dérivées de la
méthode simplex. Techniques de l’ingénieur, page 229 pages, P 229.
[Pre92] Press W.H. Numerical Recipes in C : The Art of Scientific Computing.
Cambridge University Press, ISBN 0-521-43108-5, 1992.
[Pre97] Predeleanu P.G. Advanced Methods in Materials, tome 45. 1997.
[Pro96] Procaccia et al. Fiabilité des structures des installations industrielles,
Éditions Eyrolles. 1996.
[Que04] Quesada M., Del-Castillo E. et al. A bayesian approach for mul-
tiple response surface optimisation in the presence of noise variables,.
Journal of applied statistics, tome 31, no 3 :pages 251–270, 2004.
[Raf01] Rafiq M.Y., Bugmann G. et al. Neural network design for enginee-
ring applications. Computers & Structures, tome 79, no 17 :pages 1541 –
1552, 2001.
194
RÉFÉRENCES
[Ram20] Rambaud J.B. Forgeage libre de l’acier. Technique de l’ingenieur, M

620.
[Rat98] Ratschek H. et Rokne J. New computer methods for global optimiza-

tion,. Ellis Horwood Ltd., 1998.
[Rat00] Ratschan S. Approximate quantified constraint solving. AQCS, pages

861–880, 2000.
[Red96] Reddy N., Dixit P. et al. Central bursting and optimal die pro/le
for axisymmetric extrusion. Transactions of the ASME Journal of Ma-
nufacturing Science and Engineering, tome 118, no 3 :pages 579 – 584,
1996.
[Ren95] Renders J.M. Algorithmes génétiques et réseaux de neurones, applica-

tions à la commande de processus,. 1995.
[Ren10] Rene M. Formage à la presse. Techniques de l’Ingénieur. Traité Génie

mécanique, B 7510.
[Rev01] Revol N. Introduction à l’arithmétique par intervalles. Projet INRIA,

2001.
[Ric69] Rice J.R. et Tracey D.M. On the ductile enlargement of voids on

triaxial stress fields. J. Mech. Phy. Solids,, tome 17 :pages 201–217, 1969.
[RO40] Rondé Ousteau F. Conception et mise au point de gamme d’embou-

tissage,. Technique de l’ingenieur. Traité Génie mécanique., B 7 540.
[Roh01] Rohleder M. et al. Springback prediction on a ring taken from a deep

drawn cup. 9th International Conference on Sheet Metal, Leuven 2 - 4
April, 2001.
[Saa01] Saanouni K., Cherouat A. et al. Numerical aspects of finite elas-

toplasticity with isotropic ductile damage for metal forming. Revue euro-
péenne des éléments finis, tome 10, no 2 - 4 :pages 327 – 351, 2001.
[Sac89a] Sacks J.e.a. Design and analysis of computer experiments. Statistical

Science, tome 4, No. 4 :pages 409–435, 1989.
[Sac89b] Sacks J.e.a. Design of computer experiments. American Statistical As-

sociation and AmericanSociety for Quality Control, Technometrics, tome
31 No. 1., 1989.
[Sak84] Sakarovitch M. Optimisation combinatoire : méthodes mathématiques

et algorithmiques : graphes et programmation linéaire,. 1984.
195
RÉFÉRENCES
[Sam00] Samuel M. Experimental and numerical prediction of springback and

side wall curl in u-bendings of anisotropic sheet metals. Journal of Ma-
terials Processing Technology, tome 105 :pages 382 – 393, 2000.
[Sch98] Schimmerling P., Sisson J.C. et al. Pratique des plans d’expé-
riences. 1998.
[Seo03] Seong J.K., Kwang Seok K. et al. Optimization of manufacturing
parameters for a brake lining using taguchi method. Journal of Materials
Processing Technology, tome 136 :pages 202 – 208, 2003.
[Ser03] Sergent A., Duret D. et al. La tolérance type. CPI’2003 - Mekhnès
Maroc, 2003.
[Shi90] Shina S. et Nose Y. Development of upper bound technique for analysis
of fracture in metal forming. Ingenieur - Archiv, tome 60, no 5 :pages
311 – 322., 1990.
[Shi04] Shi X., Chenb J. et al. A new approach of die shape optimization for
sheet metal forming processes. Journal of Materials Processing Techno-
logy, tome 152 :pages 35 – 42, 2004.
[Sob92a] Sobis T., Engel U. et al. An experimental analysis of the onset of
buckling in metal forming. International Journal of Material Processing
Technology, tome 7, no 3 :pages 273 – 281., 1992.
[Sob92b] Sobis T., Engel U. et al. A theoretical study on wear simulation in
metal forming processes. J. Mater. Proc. Technol., tome 34 :pages 233 –
240, 1992.
[Sou06] Sousa L., Castro C. et al. Optimal design of v and u bending pro-
cesses using genetic algorithms,. Journal of Materials Processing Tech-
nology, tome 172 :pages 35 – 41, 2006.
[Sri00] Srikanth A. et Zabaras N. Shape optimization and preform design
in metal forming processes. Comput. Methods Appl. Mech. Engrg., tome
190, no 1859 - 1901, 2000.
[Sta02] Stander N., Burger M. et al. Springback compensation in sheet
metal forming using a successive response surface method. American Ins-
titute of Aeronautics and Astronautics, 2002.
[Str86] Strohmeier A. FORTRAN 77 - Approche systématique illustrée
d’exemples. Eyrolles, Paris, (4th édition), 1986.
[SW04] Sang-Wook L. A study on the bi-directional springback of sheet metal
stamping. Journal of Materials Processing Technology, 2004.
196
RÉFÉRENCES
[Sza91] Szacinzki A. et Thomson P. Investigation of the existence of a

wrinkling-limit curve in plastically-deforming metal sheet. J Mater Proc
Tech, tome 25 :pages 125 – 37., 1991.
[Tra00] Trabelsi A. et Delchambre A.. Assessment on tolerance represen-
tation and tolerance analysis in assemblies. concurrent engineering : Re-
search and applications. Technomic Publishing Co., Lancaster, PA, Dec.,
tome 8, no 4 :pages .244–262, 2000.
[Tro92] Tronel Y. et Chenot J. Prediction of tool wear using finite element
software for the three-dimensional simulation of the hot-forging process.
J. Mater. Proc. Tech., tome 31 :pages 255 – 263, 1992.
[Tro03] Trosset M., Alexandrov N. et al. New methods for robust design
using computer simulation. Proceedings of the Section on Physical and
Engineering Sciences, American Statistical Association, 2003.
[Tve90] Tvergaard V. Material failure by void growth to coalescence. Advances
in Applied Mechanics, tome 27 :pages 83 – 151, 1990.
[Uly02] Ulysse P. Extrusion die design for flow balance using fe and op-
timization methods. International Journal of Mechanical Sciences,
tome 44 :pages 319 – 341, 2002.
[Vie99] Vielledent D. Optimisation des outils en forgeage à chaud par si-
mulation éléments finis et méthode inverse application à des problèmes
industriels. Thèse de doctorat, L’Ecole Nationale Supérieure des Mines
de Paris, 1999.
[Vil88] Villemeur et al. Sûreté de fonctionnement des systèmes industriels :
fiabilité, facteurs humains, informatisation. 1988.
[Voe98] Voelcker H. The current state of affairs in dimensional tolerancing.
Integrated Manufacturing Systems, tome 9 :pages 205 – 217, 1998.
[Wan94] Wang C., Kinzel G. et al. Wrinkling criterion for an anisotropic
shell with compound curvatures in sheet forming. Int J Mater Proc Tech
Sci, tome 36, no 10 :pages 945 – 960, 1994.
[Was01] Waszczyszyn Z. et Ziemiaski L. Neural networks in mechanics of
structures and materials ¯ new results and prospects of applications. ,
Comp. & Structures, tome 79, no 22 - 25 :pages 2261 – 2276, 2001.
[Wer97] Werner T. Estimation of bending angle during free bending. The scien-
tific journal Facta Universitas, University of Nis, Mechanical Enginee-
ring, tome 1, no 4 :pages 439 – 445, 1997.
197
RÉFÉRENCES
[Xu04] Xu W., Ma C. et al. Sensitive factors in springback simulation for

sheet metal forming. Journal of Materials Processing Technology., tome
151 :pages 217–222, 2004.
[Yah04] Yahong S. et al. Fatigue behavior and fractography of laser-processed
hot work tool steel. Vacuum, tome 73 :pages 655 – 660, 2004.
[Yan95] Yanran Z. et al. Numerical simulations for extrusion and ironing
and die-angle optimisation. Journal of Materials Processing Technology,
tome 55 :pages 48–52, 1995.
[Yan02] Yann C. et Siarry P. Optimisation multiobjectif. Editions Eyrolles
Paris, 2002.
[Yeo01] Yeo H., Y. C. et al. Analysis and design of the prestressed cold extru-
sion die. International Journal of Advanced Manufacturing Technology,
tome 18 :pages 54 – 61, 2001.
[Yos04] Yoshihara S., MacDonalda B. et al. Optimisation of magnesium
alloy stamping with local heating and cooling using the finite element me-
thod. Journal of Materials Processing Technology, tome 153 - 154 :pages
319 – 322, 2004.
[Zab00] Zabaras N., Srikanth A. et al. A continuum lagrangian sensitivity
analysis for metal forming processes with application to die design pro-
blems. Int. J. Numer. Methods Engrg, tome 48 :pages 679 – 720, 2000.
[Zaf04] Zafer T. An experimental study on the examination of springback of
sheet metals with several thicknesses and properties in bending dies. Jour-
nal of Materials Processing Technology, tome 145 :pages 109 – 117, 2004.
[Zha96] Zhang G. Simultaneous tolerancing for design and manufacturing,. In-
ternational Journal Of Production Research,, tome 34 :pages 3361–3382.,
1996.
[Zhu95] Zhu Y., Cescotto S. et al. Modelling of fracture initiation in me-
talforming processes. Ghosh, S.K. and Predeleanu, M., Editors Materials
processing defects, Elsevier, Amsterdam, 1995.
198
Résumé : Dans ce travail nous proposons des stratégies d’optimisation par plans d’expériences numériques
pour palier les difficultés rencontrées dans le processus d’optimisation de procédés de mise en forme. Parmi ces
difficultés on peut rappeler : le retour élastique durant le pliage, l’usure de la matrice pendant l’extrusion ou la
fatigue des outils, la recherche d’une solution globale ou l’échange des données entre l’outil de simulation et l’outil
d’optimisation. Compte tenu de la forte non linéarité des phénomènes étudiés, nous avons développé une approche
basée sur l’utilisation conjointe de la méthode des plans d’expériences, de la méthodologie de surface de réponse et
la méthode des éléments finis, pour optimiser les performances du produit ou du procédé de fabrication. Le caractère
numérique des expériences justifie la création et la mise au point d’un outil d’optimisation, afin d’automatiser et
de faciliter l’application de la méthodologie de plans d’expériences et celle des stratégies d’optimisation par plans
d’expériences a partir de simulations numériques. Il s’agit d’un outil informatique qui permet de déterminer de
manière automatique et rapide, l’optimum d’un certain processus, permettant d’obtenir des produits respectant un
certain nombre des critères de qualité. Afin de trouver les caractéristiques des processus de fabrication en accord
avec la meilleure qualité possible des produits une des stratégies d’optimisation proposée dans ce rapport est basée
sur une approche hybride qui utilise la puissance des trois méthodes : surface de réponse, calcul par intervalle et
tolérencement mécanique. La validation de cette nouvelle méthode apportera une solution robuste à l’optimisation
du procédé d’emboutissage.
Mots clefs : optimisation, plans d’expériences numériques, méthodologie de surface de réponse, méthode
des éléments finis.
METAL FORMING PROCESS OPTIMISATION BY COUPLED APROACH

DESIGNS OF EXPERIMENTS, FINITES ELEMENTS AND RESPONSE SUR-
FACE METHODOLOGY
Abstact : In this work we propose the optimization strategies using numerical designs of experiments to
minimize the difficulties in the metal forming process optimization. Among these difficulties it can recall : springback
from bending process, die wear during extrusion process or tools fatigue, the research of global solution for data
exchange between numerical simulation and optimization tool. Taking into account of the strong non-linearity
of the studied phenomena, we developed an approach using the following methods, design of experiments, finite
elements methods and response surface methodology to optimize the performances of the product or manufacturing
process The virtual character of the experiments (numerical simulation) justifies creation and the development of an
optimization tool, in order to automate and to facilitate the application of the designs of experiments method and
that of the strategies of optimization by designs of experiments from numerical simulations. This is a data-processing
tool which determines in an automatic and fast way, the optimum of a certain process and allows obtaining products
that respect a certain number of quality standards. In order to find the characteristics of the manufacturing processes
in agreement with the best possible quality of the products one of the optimization strategies proposed in this work
is based on a hybrid approach which uses the power of the three methods : mechanical tolerancing, response surface
methodology, and interval computation method. The validation of this new method will bring a robust solution of
the stamping process optimization.
Keywords : optimization, numerical design of experiments, response surface methodology, finite elements
method.
Spécialité : Sciences de l’Ingénieur
0
ISTIA - Institut des Science et Techniques de l’Ingenieurs d’Angers, Laboratoire en Sûreté de Fonctionne-
ment,Qualité et Organisation - UPRES EA 3858 - 62, Avenue Notre Dame du Lac, 49000 Angers - FRANCE

theseDL 07janv07

Transféré par

Droits d'auteur :

Formats disponibles

theseDL 07janv07

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

theseDL 07janv07

Transféré par

Droits d'auteur :

Formats disponibles

Optimisation des procédés de mise en forme par

approche couplée plans d’expériences, éléments finis et

To cite this version:

HAL Id: tel-00338415

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

OPTIMISATION DES PROCEDES DE MISE EN FORME PAR

Spécialité : Sciences de l’Ingénieur

ECOLE DOCTORALE D’ANGERS

Présentée et soutenue publiquement

Par Daniel LEPADATU

Devant le jury ci-dessous :

Philippe PICART Rapporteur Professeur à l’Université

Directeur de thèse : Abdessamad KOBI

Laboratoire : Laboratoire en Sûreté de Fonctionnement, Qualité et Organisation

A mon petit garçon

1 Méthodes d’optimisation des procédés de mise en forme 9

2 Stratégies d’optimisation par plans d’expériences numériques. 55

3 Modélisation numérique des défaillances des procédés de mise en

4 Presentation du logiciel OPTIFORM 117

Conclusions et perspectives 169

Publications nationales et internationales 173

1 Facteurs influençant la variation des caractéristiques des pièces. . . . 1

1.1 Évolution des outils d’amélioration de la qualité des produits. . . . . 12

2.1 La boı̂te noire du processus . . . . . . . . . . . . . . . . . . . . . . 57

3.1 Dégradation subie par les outils . . . . . . . . . . . . . . . . . . . . . 92

4.1 Les trois fonctions de OPTIFORM . . . . . . . . . . . . . . . . . . . 120

5.1 Diagramme d’ISHIKAWA pour le pliage. . . . . . . . . . . . . . . . . 137

2.1 Calcul des niveaux des facteurs . . . . . . . . . . . . . . . . . . . . . 69

4.1 Liste des menus et sous-menus de l’application. . . . . . . . . . . . . 121

5.1 Caractéristiques des facteurs . . . . . . . . . . . . . . . . . . . . . . . 138

Depuis quelques années, le secteur de la mise en forme de pièces métalliques a

Fig. 1 – Facteurs influençant la variation des caractéristiques des pièces.

OPTIMISATION DES PROCEDES

Fig. 2 – Les deux axes sensibles des procédés de mise en forme.

opératoires de formage optimales afin de :

M ECANIQUE INFORM ATIQUE

Fig. 3 – Les disciplines de l’optimisation des procédés.

paramétrée et multicritères. L’approche intègre des phénomènes souvent négligés tels

Les objectifs poursuivis dépendent du procédé concerné. Principalement, il s’agit

– La maı̂trise du retour élastique en fin de formage.

Dans un cadre industriel, un logiciel convivial et interactif baptisé OPTIFORM

Fig. 4 – Boucle d’optimisation basée sur le couplage des Plans d’Expériences -

Méthodes d’optimisation des

Dans ce chapitre nous essayerons d’abord de présenter brièvement les principaux

Fig. 1.1 – Évolution des outils d’amélioration de la qualité des produits.

Fig. 1.2 – Principaux facteurs influant en fabrication [Ben01].

Pour assister les concepteurs dans la démarche de mise au point de la gamme de

1.2 Procédés de mise en forme

Fig. 1.3 – Schématisation d’une opération de formage.

La figure 1.4 représente schématiquement la famille des procédés de fabrication.

Fig. 1.4 – Principaux procédés de mise en forme [Fel00].

1.3 Prévision des défaillances lors du formage

Il existe plusieurs modalités de classification des défaillances [Vil88] mais on ne

– au matériau : défauts de matériau, cristallisation, ségrégation,

Fig. 1.5 – Diagramme d’Ishikawa pour les défaillances mécaniques.

!$% & ' (& ) $!'

! " ! " &

1.3.1 Défaillances lors de l’emboutissage